Escolar Documentos
Profissional Documentos
Cultura Documentos
24-TDI
INPE
São José dos Campos
2011
PUBLICADO POR:
INPE
São José dos Campos
2011
Dados Internacionais de Catalogação na Publicação (CIP)
CDU 621.548:551
Copyright c 2011 do MCT/INPE. Nenhuma parte desta publicação pode ser reproduzida, arma-
zenada em um sistema de recuperação, ou transmitida sob qualquer forma ou por qualquer meio,
eletrônico, mecânico, fotográfico, reprográfico, de microfilmagem ou outros, sem a permissão es-
crita do INPE, com exceção de qualquer material fornecido especificamente com o propósito de ser
entrado e executado num sistema computacional, para o uso exclusivo do leitor da obra.
ii
iv
“O que você fizer será insignificante, mas é da maior importância que o faça”
“Se o homem não sabe a que porto se dirige, nenhum vento lhe será favorável”
v
vi
A meus pais, João Bosco e Irley,
e em memória de meus avós, Prof. Arlindo e Dona Zizinha.
vii
viii
AGRADECIMENTOS
x
RESUMO
xi
xii
STATISTICAL DOWNSCALING OF ETA MODEL WIND FORECASTS
APPLIED TO WIND POWER GENERATION AT NORTHEASTERN BRAZIL
ABSTRACT
xiii
xiv
LISTA DE FIGURAS
Pág
xv
Figura 4.2 Representação de uma rede tipo MLP 43
Figura 4.3 Funções de ativação degrau; linear; sigmoidal: 1) 44
logística; 2) tangente hiperbólica
Figura 4.4 Modelo atual de neurônio perceptron 45
Figura 5.1 Mapa com a localização das torres anemométricas 50
Figura 5.2 Climatologia de precipitação sobre as torres de SJCA e 51
ROTE
Figura 5.3 Ciclo anual do vento a 50 m em Petrolina-PE comparado 52
à capacidade do reservatório da usina hidroelétrica de
Sobradinho – BA
Figura 5.4 Distribuição da precipitação ao longo dos dados 53
anemométricos disponíveis
Figura 5.5 Séries anemométricas e rosa dos ventos para cada torre 53
anemométrica empregada neste estudo
Figura 5.6 Domínio da grade do modelo Eta/PREVENTO e 56
topografia relativa na resolução de 5 km
Figura 6.1 Ondas senoidais introduzidas no conjunto de dados 64
Figura 6.2 Relação entre os valores de Z_0 e erro na determinação 66
da rugosidade onde z_0 (50%) corresponde a mediana
da distribuição. Método adotado consiste na identificação
das posições de mínimo erro
Figura 6.3 Aerogerador de 2,1MW utilizado nas estimativas e sua 75
curva de potência
Figura 7.1 Comparação entre mapas de magnitude do vento a 10m 77
vento a 10m antes e após o processo de recorte,
conversão e assimilação
Figura 7.2 Variáveis suspeitas durante a qualificação dos dados do 78
modelo Eta/PV. Rótulos representam as taxas médias de
falha para cada variável
Figura 7.3 Porcentagem dos dados anemométricos desqualificados 79
por estação para cada nível
Figura 7.4 Fração de dados anemométricos reparados no nível mais 80
elevado e respectivos erros (MAE e BIAS) cometidos
Figura 7.5 Séries temporais de magnitude observada do vento para 80
as estações de PETR (50 m) e PALM (70 m) após
reparos
Figura 7.6 Validação da sincronização entre os dados modelados e 81
observados para todas as estações
xvi
Figura 7.7 Ciclos diários de intensidade e direção do vento ao longo 82
do ano para SJCA e ROTE
Figura 7.8 Valores obtidos para a rugosidade Z_0 ao redor de cada 87
torre em escala logarítmica
Figura 7.9 Correlações máximas obtidas para cada variável e 89
exemplo de limiar adotado para definir os subconjuntos
de preditores para SJCA e correlações máximas obtidas
para ROTE
Figura 7.10 Defasagens de máxima correlação para cada variável em 90
SJCA e ROTE
Figura 7.11 Comparação entre as dispersões obtidas entre o vento 91
observado e o modelado pelo Eta/PV e as saídas da
REGP para o vento a 50 m
Figura 7.12 Comparação entre as distribuições de probabilidade 92
acumulada de RMSE e R e contra uma distribuição
normal padrão para quatro subconjuntos de N preditores
(Npred) da estação de SJCA
Figura 7.13 Valores médios (azul), dispersão de 25%-75% (verde) e 94
extremos (vermelho) para as distribuições de RMSE e R
como função do número de preditores utilizados na
construção do modelo em RNAs para SJCA (a); e ROTE
(b).
Figura 7.14 RMSE em função da razão entre neurônios e preditores 96
para SJCA e ROTE
Figura 7.15 Testes de sensibilidade para cada configuração de RNA 97
para SJCA e ROTE
Figura 7.16 Séries temporais de anomalias escalonadas para SJCA e 100
ROTE
Figura 7.17 Dispersão final obtida entre o vento observado e o 101
modelado pela RNA a 50 m para SJCA e ROTE
Figura 7.18 Dispersão final obtida entre o vento observado e o 101
modelado pelo Eta/PV, REGPe RNA a 50 m para as
demais estações
Figura 7.19 Comparação entre as correlações obtidas entre as 103
anomalias de vento a 50 m para as configurações
RNA_LIT e RNA_INT para todas as estações
Figura 7.20 Comparação entre as correlações R entre vento 103
observado e modelado a 50 m pelo Eta/PV, REGP e RNA
para todas as estações
xvii
Figura 7.21 Comparação entre os RMSE a 50 m pelos modelos 104
Eta/PV, REGP e RNA para todas as estações
Figura 7.22 Comparação entre as séries temporais de Eta/PV, REGP 105
e RNA e o vento observado a 50 m para (a) PETR; (b)
SJCA; (c) TRFO; (d) ROTE; (e) MAGI; (f) GIRP; (g)
AGUB; (h) PALM
Figura 7.23 Comparação entre as séries temporais de potência eólica 117
(kW) dadas pelo Eta/PV, REGP e RNA em relação à
potência teórica observada a 80 m para (a) PETR; (b)
SJCA; (c) TRFO; (d) ROTE; (e) MAGI; (f) GIRP; (g)
AGUB; (h) PALM
Figura 7.24 Comparação entre os erros absolutos de potência eólica 120
(kW) dadas pelo Eta/PV, REGP e RNA em relação à
potência teórica observada a 80 m para (a) PETR; (b)
SJCA; (c) TRFO; (d) ROTE; (e) MAGI; (f) GIRP; (g)
AGUB; (h) PALM
Figura 7.25 Histograma da distribuição do erro entre a potência eólica 123
prevista e disponível pelo Eta/PV, REGP e RNA para
cada estação
Figura 7.26 Funções de densidade de probabilidade acumulada da 125
diferença entre a potência eólica prevista e disponível
pelo Eta/PV, REGP e RNA para cada estação
Figura 7.27 MAE obtido para as estimativas de potência eólica por 129
estação
Figura 7.28 RMSE obtido para as estimativas de potência eólica por 129
estação
xviii
LISTA DE TABELAS
Pág
xix
xx
LISTA DE SIGLAS E ABREVIATURAS
xxi
xxii
LISTA DE SÍMBOLOS
Área, m²
U
Velocidade escalar do vento, m/s
Temperatura absoluta, K
Umidade específica, kg/kg
Velocidade de fricção, m/s
Constante de Von Karman
xxiii
xxiv
SUMÁRIO
Pág.
1 INTRODUÇÃO ...................................................................................................................... 1
1.1. Motivação ............................................................................................... 1
1.2. A Matriz Energética................................................................................ 2
1.3. A Energia Eólica .................................................................................... 5
1.4. A Previsão de Ventos e a Geração Elétrica ......................................... 9
1.5. Objetivos .............................................................................................. 11
2 A CAMADA LIMITE ATMOSFÉRICA ................................................... 13
2.1. Estrutura vertical ................................................................................. 13
2.1.1.Sub-camada Laminar ou Viscosa ........................................................... 13
2.1.2.Camada Limite Superficial ...................................................................... 13
2.1.3.Camada Limite Convectiva ou de Mistura .............................................. 15
2.1.4.Camada Limite Estável ou Noturna (CLE) .............................................. 15
2.1.5.Zona de Entranhamento (ZE) ................................................................. 15
2.2. Turbulência Atmosférica ..................................................................... 16
2.3. Equacionamento .................................................................................. 19
2.4. Fluxos Verticais e Instabilidade ......................................................... 20
2.5. Teoria da Similaridade e Perfis Verticais ........................................... 21
2.6. Influências Geográficas sobre o Vento.............................................. 21
2.6.1.Circulações de Vale e Montanha ............................................................ 24
2.6.2.Escoamento sobre Montanhas ............................................................... 24
2.6.3.Camada Limite Interna ........................................................................... 26
2.6.4.Circulações de Brisa ............................................................................... 28
3 A PREVISÃO NUMÉRICA DE VENTO EM SUPERFÍCIE .................... 31
3.1. O Modelo Eta ........................................................................................ 31
3.2. A Modelagem do Vento em Superfície ............................................... 33
3.3. Aplicações de Modelagem Numérica do Vento ................................ 34
4 REDES NEURAIS ARTIFICIAIS ........................................................... 41
4.1. Histórico ............................................................................................... 42
4.2. Arquitetura ........................................................................................... 43
4.3. Aplicações ............................................................................................ 45
5 DADOS .................................................................................................. 49
xxv
5.1. Dados Observacionais ........................................................................ 49
5.2. Dados do Modelo Eta/PREVENTO ........................................................ 55
6 METODOLOGIA.................................................................................... 59
6.2. Tratamento dos Dados ........................................................................ 60
6.2.1.Dados do Modelo ................................................................................... 60
6.2.2.Dados Anemométricos ........................................................................... 64
6.2.3.Sincronização dos Dados ....................................................................... 67
6.3. Seleção dos Preditores ....................................................................... 67
6.3.1.Definição dos Subconjuntos por Limiar de Correlação ........................... 68
6.3.2.Regressão Linear Passo-a-Passo .......................................................... 68
6.3.3.Treinamento por Redes Neurais Artificiais ............................................. 69
6.4. Desenvolvimento do Modelo em RNAs ............................................. 70
6.4.1.Definição do Número de Neurônios Ocultos........................................... 70
6.4.2.Configuração dos Testes de Sensibilidade ............................................ 71
6.5. Avaliação dos Modelos Obtidos ......................................................... 73
6.5.1.Desempenho na Previsão de Ventos ..................................................... 73
6.5.2.Desempenho na Previsão de Potência Eólica ........................................ 74
7 RESULTADOS ...................................................................................... 77
7.1. Verificação da Assimilação e do Tratamento dos Dados................. 77
7.2. Climatologia ......................................................................................... 81
7.2.1.Ciclos Diários.......................................................................................... 82
7.2.2.Determinação do Comprimento de Rugosidade ..................................... 87
7.3. Preditores Selecionados ..................................................................... 88
7.4. Neurônios na Camada Oculta ............................................................. 95
7.5. Testes de Sensibilidade ...................................................................... 96
7.6. Avaliação das Previsões ................................................................... 100
7.7. Avaliação dos Pesos dos Preditores ............................................... 108
7.8. Impactos sobre a Potência Eólica Disponível ................................. 116
8 CONCLUSÃO ...................................................................................... 131
9 SUGESTÕES DE TRABALHOS FUTUROS ....................................... 135
REFERÊNCIAS BIBLIOGRÁFICAS ............................................................. 137
APÊNDICE A..................................................................................................146
xxvi
1 INTRODUÇÃO
1.1. Motivação
1
1.2. A Matriz Energética
(a) (b)
Figura 1.2 – Participação das diversas fontes na matriz energética brasileira (a); e
na matriz elétrica brasileira (b); ambos referentes à oferta interna de
energia registrada para o ano de 2010.
Fonte: Empresa de Pesquisa Energética (2011)
Já foi demonstrado que existe uma relação explícita entre demanda energética
desenvolvimento dos países requer um aumento do consumo de energia per capita.
1.1, onde se define a intensidade energética como a energia necessária para se
e o crescimento do Produto Interno Bruto (PIB) de uma nação, conforme a Equação
2
= (1.1)
3
A expansão da oferta de energia é um assunto delicado, que envolve não somente
o custo de investimento, mas também o custo ambiental de cada fonte o qual é
difícil de ser medido. Fontes provenientes de combustíveis fósseis aumentam a
concentração de gases do efeito estufa (GEE) na atmosfera, principalmente CO₂,
considerado o responsável pelas mudanças climáticas globais de origem antrópica
(IPCC, 2007). Por ser este um assunto estratégico, têm ganhado uma importância
cada vez maior no cenário internacional, originando fóruns de discussão científica e
política como o IPCC (Intergornmental Panel on Climate Change), que constitui um
esforço da comunidade científica internacional no prognóstico de cenários climáticos
futuros e a COP (Conferência das Nações Unidas para Mudanças Climáticas). O
último deles, a COP16 realizada em Cancún, no México, demonstrou que ainda se
está longe de um acordo internacional efetivo para a redução de emissões de GEE.
O Brasil é um país privilegiado sob o aspecto energético, pois seu relevo, hidrografia
e clima tropical permitem um aproveitamento das diversas formas de energia
originárias do Sol, como a hidráulica, a solar, a eólica e da biomassa, sendo estas,
fontes de energia renováveis (PEREIRA; LIMA, 2008). Um conceito amplamente
utilizado para definir energia renovável, a caracteriza como toda fonte onde sua taxa
de renovação natural é maior do que sua taxa de utilização, o que incluí a energia
das marés e geotérmica além das citadas anteriormente.
4
Outros
Transportes Setores
9% 8%
Indústria
7%
Queimadas
76%
5
exploração do potencial offshore (PIMENTA ET AL. 2008). Ainda, projeções de
cenários climáticos futuros indicam uma alta probabilidade de aumento deste
potencial no decorrer deste século (PES, 2010), o que coloca o Brasil em uma
posição privilegiada no cenário mundial de recursos eólicos. Tal abundância se
verifica principalmente nas regiões Nordeste e Sul, com predominância das regiões
costeiras, o que se configura como uma vantagem para a transmissão elétrica, dada
a maior densidade de linhas de transmissão e proximidade de grandes centros
urbanos, que aliado à densa malha viária local repercute favoravelmente no custo
dos projetos eólicos. A Figura 1.5 ilustra esta relação entre o potencial eólico e o
Sistema Interligado Nacional (SIN)
(a) (b)
6
segurança à geração elétrica na região. Este gerenciamento só é possível devido ao
Sistema Interligado Nacional (SIN), uma malha de transmissão elétrica que permite
o remanejo de cargas entre suas subestações, o que é feito pelo Operador Nacional
do Sistema elétrico (ONS), uma empresa de gestão autônoma criada pelo governo
especificamente para este fim.
Neste contexto o governo federal instituiu, a partir de 2004, o PROINFA, que tem
por objetivo aumentar em 3.300 MW a participação de usinas eólicas, pequenas
centrais hidroelétricas (PCHs) e de biomassa na matriz de geração elétrica
brasileira, o que corresponderia a cerca de 3% da capacidade de geração total
instalada no país. Conforme ilustra a Figura 1.6, baseada em dados da ANEEL, este
programa marcou o início da expansão da energia eólica no Brasil e seus resultados
justificam a perspectiva de um forte crescimento no setor nos próximos anos,
acompanhando a tendência mundial (Dutra e Szklo, 2007). Além da energia
contratada pelo PROINFA, outros empreendimentos eólicos têm sido contratados
em leilões de energia organizados regularmente pelo governo, os quais somados à
capacidade eólica atual alcançarão cerca de 4000 MW instalados até o final de 2013
(MARTINS; PEREIRA, 2011).
7
Figura 1.6 – Evolução da capacidade eólica instalada no Brasil.
Por outro lado a geração eólica apresenta uma variabilidade elevada associada à
dinâmica da atmosfera, tornando necessário que se desenvolva métodos mais
confiáveis para a previsão de curto prazo da potência disponível. Estas ferramentas
além de permitirem um melhor gerenciamento do sistema elétrico interligado,
auxiliam também na manutenção programada dos aerogeradores, reduzindo os
riscos de danos por ventos extremos e tornando a energia eólica mais competitiva
no mercado de eletricidade mundial (CAMPBELL, 2007; LERNER ET AL. 2009;
MONTEIRO ET AL., 2009). Devido a esta incerteza associada à determinação da
potência eólica disponível, existe uma discussão na comunidade internacional sobre
os limites seguros para a penetração da energia eólica na matriz energética de um
8
país (LANDBERG ET AL. 2003). Algumas economias, como a Dinamarca, Portugal
e Espanha já experimentam uma inserção próxima dos 20%, o que torna o
aprimoramento das ferramentas de previsão um fator determinante para a
segurança energética destas nações.
25
Capacidade eólica na matriz elétrica
21
20 18
16
15
9
(%)
10
5
2 1,2 0,94
0
Figura 1.7 – Contribuição da energia eólica na matriz elétrica de cada país ao final
de 2010 com base em dados da EWEA (2009) e ANEEL.
1
= ∙ ∙ ∙ ∙ $
2
(1.2)
9
O vento tem implicações também na capacidade de despacho de energia elétrica
pelas linhas de transmissão, pois é um dos principais parâmetros meteorológicos
que controlam a capacidade de dispersão do calor gerado devido ao aquecimento
destas linhas pelo Efeito Joule. Adicionalmente, previsões de vento melhores podem
trazer outros benefícios à sociedade, principalmente para aeroportos, atividades
esportivas e no lazer em geral. Além disso, dada a perspectiva de que a capacidade
eólio-elétrica no Brasil instalada chegue a 3% do total por volta de 2014,
representantes da EPE (Empresa de Planejamento Energético) e da ONS
(Operador Nacional do Sistema Elétrico), órgãos ligados ao governo, já se
pronunciaram em algumas oportunidades quanto à necessidade de uma ferramenta
nacional confiável de previsão de potência eólica disponível a curto-prazo (LOPES,
2010).
10
1.5. Objetivos
Esta dissertação foi estruturada de modo que no Capítulo 2 é feita uma revisão
sobre a Camada Limite Atmosférica (CLA), abordando suas características,
turbulência, dificuldades relacionadas à previsão de variáveis em seu interior,
avaliando os efeitos do relevo e rugosidade sobre a dinâmica dos ventos. Em
seguida, no Capítulo 3 é detalhado o modelo de PNT Eta do CPTEC, assim como
suas parametrizações e princípios incorporados para a previsão do vento na
camada limite superficial. Posteriormente, no Capítulo 4 , são introduzidos os
conceitos sobre Redes Neurais Artificiais, enfatizando suas potencialidades, e
aplicabilidade para este estudo. No Capítulo 5 são descritos os dados utilizados. O
capítulo 6 descreve a metodologia empregada, englobando a assimilação,
processamento e qualificação dos dados; a seleção de preditores; a configuração e
11
treinamento da rede neural; e o método de avaliação das previsões. Já no Capítulo
7 são apresentados os resultados obtidos, abordando os testes efetuados na
definição da arquitetura do modelo e a validação dos resultados para cada uma das
estações. Dada a interdisciplinaridade do tema proposto, a revisão bibliográfica foi
distribuída ao longo de cada capítulo objetivando uma melhor contextualização dos
trabalhos citados.
12
2 A CAMADA LIMITE ATMOSFÉRICA
13
superfície e a presença de obstáculos exerce maior influência sobre o escoamento.
De maneira geral, seu perfil de velocidade pode ser aproximado por uma função
logarítmica conforme descrito pela Equação 2.1, tendo em mente que este ajuste é
valido para uma atmosfera neutra e varia ao longo do dia em função de alterações
no escoamento e nos fluxos.
∗
= ∙ &' ( )
%
(2.1)
14
2.1.3. Camada Limite Convectiva ou de Mistura
15
A Figura 2.1 ilustra o desenvolvimento típico de algumas destas camadas ao longo
de um dia.
16
Figura 2.2 – Escalonamento dos fenômenos meteorológicos..
Fonte: Orlanski (1975).
17
Figura 2.3 – Espectro de freqüências dos processos atmosféricos e ‘gap’ espectral.
Fonte: Van der Hoven,(1957).
+
= */ (2.2)
- ./-/ = 0 + − 3 + 4 (2.3)
18
2.3. Equacionamento
Devido à grande oscilação temporal dos escalares no interior da CLA por causa da
turbulência, na sua modelagem matemática adota-se a técnica de decomposição de
: = :; + :` (2.4)
A
+ ∇ ∙ CρU
E = 0
A/
(2.5)
3 1
× U
= −2Ω − ∇p + g +
F?
3/ ρ
(2.6)
Dlnθ J
cK =
Dt T
(2.7)
Onde Ω
representa a velocidade angular de rotação da terra,
F? representa a força
de atrito com superfície, J representa o aquecimento diabático e o calor específico
do ar a pressão constante
19
2.4. Fluxos Verticais e Instabilidade
RS = ;;;;;;
′′ (2.8)
;;;;;;
RT = ′′ (2.9)
V%
RU = = = ^C;;;;;;
′′E + C;;;;;;
′′E
∗] ] ]
(2.10)
Além destes, a estabilidade X da CLS exerce forte influência nos perfis verticais de
temperatura e momento, como será visto a seguir, e pode ser determinada
conforme a Equação 2.11.
A Y
X = ( )( )
A_
(2.11)
Y
20
para Z[ < Z[abídeaf , onde Z[abídeaf = 0,25. Já o número de Reynolds dado pela
Equação 2.13 representa uma medida entre a força de inércia e a força viscosa em
fluido, sendo que o escoamento pode ser considerado turbulento para Z\ >
Z\abídeaf . O valor de Z\abídeaf para a atmosfera varia entre 10$ e 10j em função do
relevo e rugosidade local.
;;;;;;
o p q q
Z[ =
A;
;;;;;;
q q o p
A_
(2.12)
∙3
Z\ =
r
(2.13)
Na busca por funções aplicáveis aos perfis verticais de momento e temperatura, foi
desenvolvida a teoria da similaridade de Monin e Obhukov (1954), que consiste de
uma maneira de tratar de forma adimensional algumas propriedades do
escoamento. Desenvolvida a partir do Teorema Pi de Buckingham de análise
dimensional, tal teoria é válida apenas para a CLS e pressupõe que os fluxos
verticais são constantes ao longo desta camada. Seu intuito é determinar os perfis
verticais para qualquer local e qualquer condição da CLS a partir dos valores dos
fluxos de superfície. No entanto verificou-se que esta apresenta problemas para
ventos fracos ou alta rugosidade superficial, sendo portanto não-universal (FOKEN,
2006).
Sua aplicação consiste em obter o comprimento de Obhukov (l) dado pela Equação
2.14, tal que o coeficiente adimensional para o gradiente de momentum U , e o
coeficiente adimensional para o gradiente térmico S , sejam funções mn e m] de
_/l apenas, conforme as Equações 2.15 e 2.16. Tais funções são obtidas
21
empiricamente (parametrizadas), e quando integradas fornecem expressões para o
perfil vertical de temperatura potencial e momento, enquanto o módulo de l fornece
a espessura da camada onde os efeitos de fricção e cisalhamento são importantes.
Temos ainda, que seu comprimento é uma medida da estabilidade, sendo que l > 0
indica estabilidade e l < 0 indica instabilidade.
$
l=−
∗
o p( )
(2.14)
%
_ A ̅
U = ( ) = mn C_tlE
∗ A_
(2.15)
_ A;
S = ( ) = m] C_tlE
A_
(2.16)
∗
Sendo
;;;;;;
q q
∗ =− (2.17)
∗
ζ = ZtL (2.18)
a) ζ = 0, a camada é neutra;
22
c) ζ > 0, a camada é estável;
23
2.6.1. Circulações de Vale e Montanha
24
podem ter efeito por uma distância de até dez vezes a altura da montanha (ARYA,
2001) e são fortemente influenciados pela intensidade do vento e pela estabilidade
atmosférica. Nesse sentido, um parâmetro largamente utilizado na caracterização
de escoamentos sobre montanhas é número de Froude x4, que consiste na
relação entre as forças de inércia e de gravidade, conforme Eq.2.19.
x4 =
y∙0
(2.19)
25
Outro efeito causado pelo relevo sobre os perfis verticais de vento é a aceleração do
escoamento que ocorre no topo de morros e em canais devido ao efeito Bernoulli.
Tal aceleração já foi medida em diversas campanhas, sendo função do formato da
montanha, da estabilidade e da intensidade do vento a montante como ilustra a
Figura 2.7, referente ao experimento de Askervein (TEUNISSEN ET AL., 1987). Em
seu máximo, no topo, a velocidade pode chegar até a três vezes o valor do
escoamento livre (ARYA, 2001). Cabe ressaltar, entretanto que o efeito de uma
cadeia de montanhas pode ser completamente distinto, uma vez que após algum
tempo os perfis verticais podem adquirir uma nova configuração onde as
acelerações deixam de ser significativas (STULL, 1988).
26
Figura 2.8 – Esquema de desenvolvimento de camada limite interna (CLI) na
transição entre superfícies com características distintas.
Fonte: Adaptada de Arya (2001).
Têm-se ainda que a transição de uma região de baixa rugosidade para regiões de
vegetação mais alta e densa causa uma absorção ainda maior de momento devido
27
à circulação abaixo do dossel. Este efeito pode ser contabilizado pelo deslocamento
- do plano aerodinâmico efetivo na equação do perfil logarítmico do vento (Eq.
2.20), de modo a compensar o momento absorvido abaixo do dossel.
∗
−-
= ∙ &' ( )
%
(2.20)
28
frias, como mostra a Figura 2.10. Nestes casos se há umidade suficiente sobre o
continente e instabilidade atmosférica, estas frentes evoluem para tempestades
(WALLACE & HOBBS, 2006).
Apesar de conhecidos, alguns dos efeitos geográficos acima descritos são de difícil
modelagem, pois não são compreendidos totalmente. Dependem por vezes de uma
combinação de fatores como velocidade e direção do vento, cisalhamento vertical,
estabilidade, rugosidade e forma do relevo, além de se apresentarem sobrepostos e
possivelmente ocorrerem em escalas inferiores à capacidade de representação dos
modelos de PNT. Todavia, é inegável que uma melhor compreensão de seus efeitos
pode ser útil na interpretação de dados observacionais assim como na discussão de
possíveis desvios em relação a resultados esperados.
29
30
3 A PREVISÃO NUMÉRICA DE VENTO EM SUPERFÍCIE
31
p − p{ p?} z|}~ − p{
η=( )∙
p|}~ − p{ p?} 0 − p{
(3.1)
O modelo Eta vêm sendo utilizado operacionalmente pelo CPTEC desde 1996, com
o intuito de fornecer previsões de curto prazo para o Brasil. Seu domínio engloba
praticamente toda a América do Sul e atualmente as condições iniciais são
fornecidas pelas análises do GFS/NOAA e de contorno pelo Modelo de Circulação
Global do CPTEC T213L42 (CPTEC, 2010). A temperatura da superfície do mar
assimilada é a observada na semana anterior ao processamento, considerada
constante no intervalo de integração. A umidade do solo é obtida a partir da
climatologia anual. (CHOU, 1996). Suas variáveis prognósticas são temperatura do
32
ar, componentes zonal e meridional do vento, umidade específica, pressão à
superfície, energia cinética turbulenta e hidrometeoros. A partir destas são
derivadas as demais variáveis de saída do modelo.
−5ζ , 0<ζ<1
.
U =
1+ 1 + ]
2&' ( ) + &' − 2 tann + , −5<ζ<0
(3.2)
2 2 2
−5ζ , 0<ζ<1
.
S =
1 + ]
2&' , −5 < ζ < 0
(3.3)
2
33
x = 1 − γζ onde γ = 16
nt
j (3.4)
]t
Z
=
]
&' o p − U o p + U o %U p
(3.5)
%U l l
]t
Z
S =
%S
&' o p − U o l p + U o %U
l p ∙ &' o p − S o l p + S o l p
(3.6)
%U %S
3S
%S =
∗
(3.7)
Onde:
3S =
,
(3.8)
34
Utilizando um modelo diferente, o RAMS, De Maria et al., (2008) também realizou
testes de sensibilidade para previsões de vento na costa do Ceará. Seus resultados
mostraram ganhos para a resolução horizontal de 1km e fechamento de turbulência
de Smagorinsky, onde a comparação com medidas de velocidade a 10 m levou a
ME em torno de -1,6 m/s, RMSE de 2,03 m/s e coeficientes de correlação de até
0,86.
Previsões de vento a 50m com o modelo WRF foram feitas para a Romênia por Dica
et. al (2009) utilizando uma grade de 3,3 km. A comparação entre as previsões e as
observações para 9 estações levaram a RMSE entre 1,87 m/s e 2,23 m/s.
Lazic et al. (2009) utilizou um refinamento com grades de 3,5 km para avaliação das
previsões de vento do modelo Eta sobre uma ilha da Suécia com resolução de três
horas. Para uma série de quatro anos de dados onde apenas o verão foi
considerado, as comparações com as observações levaram a ME de 0,48 m/s,
RMSE de 1,38 m/s e coeficientes de correlação de 0,79 a 10m do solo.
Também utilizando uma versão do modelo Eta, além do modelo RAMS, Louka et al.
(2006) realizou previsões de vento de alta resolução sobre a ilha de Creta, na
Grécia. Após tratar as saídas utilizando um filtro de Kalman obteve RMSE em torno
de 2,04 m/s. O autor comenta que o aumento da resolução além de 6 km nem
sempre leva a uma melhora nas previsões.
Os modelos de PNT, apesar de todo o avanço alcançado nos últimos trinta anos,
ainda estão sujeitos a diversas limitações, as quais possuem origens distintas. O
uso adequado das previsões geradas demanda a compreensão destas limitações,
possibilitando inferir prováveis fontes de erro e avaliar a incerteza associada a seus
resultados. A seguir serão discutidas algumas das principais simplificações e
pressupostos embutidos na formulação dos modelos, com o intuito de enriquecer a
discussão dos resultados deste trabalho.
35
dos campos iniciais a partir de uma rede de observações, que inclui estações de
superfície, sondagens, dados de aeronaves e de sensoriamento remoto por
satélites. No entanto, além dos dados serem insuficientes para cobrir toda a
variabilidade espacial da atmosfera, tais observações apresentam erros inerentes às
medições (sistemáticos e aleatórios), o que faz com que existam desvios mesmo
nos campos de grande escala. Os métodos de assimilação têm por objetivo a
remoção de erros sistemáticos e a redução do impacto dos erros aleatórios sobre as
previsões do modelo, mas dada a dinâmica não-linear da atmosfera os erros
tendem a se amplificar com o tempo, impondo um limite de previsibilidade
determinística aos modelos que atualmente está em torno de 2 semanas
(WALLACE; HOBBS, 2006).
36
aumentando a estabilidade dos métodos numéricos de integração. Tal abordagem é
também conhecida como aproximação anelástica (PIELKE, 2001)
Na convecção rasa, mais condições são necessárias, dentre elas: iv) a escala
vertical de variações de densidade dentro da CLA deve ser bem menor que a escala
de variação de densidade na atmosfera l ≪ ; v) as perturbações de
densidade, temperatura e pressão são muito menores que seus valores médios. vi)
a atmosfera local deve ser, em média, estaticamente estável; vii) os movimentos
verticais devem ser limitados pelo termo de flutuação; (Mahrt, 1986). Esta
aproximação ignora não apenas as ondas sonoras, mas também as variações
espaciais de densidade, sendo também chamada de aproximação incompressível.
37
inerciais da equação de conservação do movimento vertical e mantê-lo apenas no
termo de flutuação, o que é conhecido como aproximação de Boussinesq. Tal
abordagem pressupõe que o escoamento é incompressível e não-divergente no
plano horizontal, portanto as variações de densidade são conseqüência apenas das
perturbações de temperatura e pressão, conforme a equação dos gases ideais. Ou
seja, um pré-requisito para a validade desta aproximação é que as condições para
convecção rasa sejam satisfeitas (STULL, 1988).
38
integração diminui, a variância das grandezas sub-grade aumente, o que
gradativamente reduz a acurácia das parametrizações.
39
Avaliando em conjunto as possíveis fontes de erro citadas acima, pode-se ter uma
idéia melhor das limitações dos modelos de PNT. A magnitude aproximada de cada
uma das incertezas é de difícil quantificação, pois depende de uma série de fatores
como resolução do modelo, fenômenos de interesse e aspectos geográficos da
região, o que demanda testes que sensibilidade sejam efetuados para cada caso.
Para auxiliar na visualização destas potenciais fontes de erro a Figura 33 ilustra-os
em um fluxograma aproximado do processo de modelagem.
40
4 REDES NEURAIS ARTIFICIAIS
As Redes Neurais Artificiais (RNAs) surgiram como uma ferramenta para se extrair
relações complexas de um conjunto de variáveis, possibilitando ir além das
regressões lineares múltiplas. Trata-se de uma técnica de computação não-
algorítmica capaz de modelar ou reconhecer padrões a partir de um conjunto de
dados apresentados, possuindo inclusive capacidade de generalização para
domínios até então desconhecidos (BRAGA, 1998).
41
diferentes configurações são geralmente empregados para a definição da melhor
arquitetura para um determinado problema (HAYKIN, 1994).
4.1. Histórico
O estudo publicado por Minsky e Papert (1969) teve grande repercussão no meio
científico, servindo como fator desestimulante na evolução das redes neurais. Eles
demonstraram as limitações associadas ao modelo de perceptrons dando ênfase à
incapacidade de se obter soluções para um espaço amostral onde as classes não
são linearmente separáveis. Somente a partir de meados da década de 1980 com
os trabalhos de Hopfield (1982) e Rumelhart et al. (1986), demonstrando as
aplicações das RNAs na área da física e com o desenvolvimento do algoritmo
“backpropagation” é que as pesquisas foram retomadas consistentemente, sendo
hoje empregada nos mais diversos campos da ciência.
42
4.2. Arquitetura
43
Figura 4.3 – Funções de ativação; a) degrau; b) linear; c) sigmoidal: 1) logística; 2)
tangente hiperbólica.
Fonte: Braga, (1998)
1
mC ¢ E =
1 + \ C−£ ¢ E
(4.1)
1 − \ C− ¢ E
mC ¢ E = tanh o p =
¢
2 1 + \ C− ¢ E
(4.2)
Os neurônios que constituem uma rede MLP atualmente possuem uma arquitetura
que incorpora as principais funcionalidades desenvolvidas, podendo gerar qualquer
saída linear, conforme ilustra a Figura 4.4. Sua saída y é definida pela Equação 4.3,
onde φ é a função de ativação, u é a somatório dos pesos ponderados por cada
sinapse e ¥¢ é definido como o limiar, ou viés do neurônio. A soma da saída da
função de ativação com o viés define o nível de atividade interna do neurônio ¢, que
44
Figura 4.4 – Modelo atual de neurônio perceptron.
Fonte: Adaptado de Haykin (2001).
§¢ = m ¢ (4.3)
Por fim, a topologia de uma MLP precisa ser definida de uma forma que otimize o
aprendizado e o desempenho da rede. Muitas camadas ou muitos neurônios em
cada camada aumentam a flexibilidade da rede, ou seja, esta têm maior capacidade
de representar as variações das informações que alimentam a rede (dados de
entrada). Uma rede muito flexível além de aumentar o custo computacional, passa a
modelar o próprio ruído contido nos dados, correndo o risco de perder sua
capacidade de generalização e “decorar” as saídas, o que é caracterizado como
“overfitting”, ou super-ajuste. Por outro lado uma rede com uma topologia pobre,
apesar de mais facilmente treinada pode apresentar-se rígida demais para simular
os processos a que se propõe. Este problema é conhecido na literatura como
“dilema do viés e da variância” (GEMAN et al., 1992) e envolve a obtenção do
melhor compromisso estas duas opções.
4.3. Aplicações
45
geociências empregando esta técnica. Mendes e Marengo (2009) utilizaram uma
rede tipo MLP para o refinamento das saídas de precipitação de modelos climáticos
do IPCC sobre a região amazônica, obtendo resultados bem superiores em relação
a modelos autoregressivos. Já com relação à previsão de curto prazo Guarnieri
(2006) comparou RNAs e regressões múltiplas para estimativas de radiação solar a
partir do modelo Eta. Seus resultados demonstraram que há um ganho significativo
em relação às saídas do modelo, mas a perfomance das regressões e da RNA
foram similares. Uma justificativa seria de que os processos físicos relacionados à
determinação da radiação não apresentariam grandes não-linearidades que
justificassem um melhor desempenho das RNAs.
46
citar Sanz et al., (2008) que acoplou uma rede MLP às saídas do modelo MM5 e
obteve erro médio absoluto (MAE) de 1,80 m/s na velocidade do vento. Ramirez-
Rosado (2009) comparou dois modelos de previsão de potência eólica de curto-
prazo baseados em redes tipo MLP acopladas a saídas de modelos meteorológicos,
onde ambos tiveram desempenho parecido chegando a RMSE da ordem de 16% da
potência disponível num horizonte de 24 a 48 horas. Há também trabalhos que
utilizaram outros tipos de RNAs como Sideratos e Hatziargyriou, (2007) que
utilizaram Funções de Base Radiais (RBF) a partir de saídas do modelo
meteorológico HIRLAM para prever a potência eólica disponível para uma
determinada usina. Seu modelo foi subdividido em três classes de velocidade de
vento e os resultados levaram a RMSE de 17% e MAE de 12% da potência eólica
disponível para um horizonte de 24 a 48 horas.
Outra abordagem utilizando redes neurais foi descrita por Cali et al., (2006). Em seu
trabalho foram definidos como preditores a temperatura, umidade, pressão,
intensidade e direção do vento em superfície, fornecidas por um ensemble de
previsões numéricas com 75 membros. Foi utilizada uma RNA do tipo MLP com três
camadas ocultas para cada membro, onde suas saídas foram posteriormente
combinadas por outra RNA com uma camada oculta para finalmente gerar as
previsões de potência eólica. As comparações para duas fazendas eólicas na
Alemanha levaram um RMSE normalizado médio de 11,1% da capacidade total
instalada em cada fazenda.
47
Existem outros estudos similares, mas que fogem ao escopo deste trabalho por
apresentar uma relação fraca ou pouco esclarecida com os modelos
meteorológicos. Em geral as referências aqui colocadas utilizam poucas variáveis
destes modelos como entrada para as RNAs, o que indica haver um potencial ainda
a ser explorado nesta área.
48
5 DADOS
Adotou-se o Nordeste brasileiro como zona alvo pela maior disponibilidade de torres
anemométricas, e por se tratar da região de maior concentração de projetos eólicos
no Brasil. A distribuição geográfica das torres pelo território abrange regiões com
características de relevo e vegetação diversas, de modo que 2 torres se localizam
no litoral e outras 6 torres no interior do continente como ilustra a Figura 5.1.
49
Tabela 5.1. Características das torres anemométricas.
ALTURA NÍVEIS DE
Nro ESTAÇÃO SIGLA ALTITUDE
DA TORRE MEDIÇÃO
1 Petrolina - PE¹ PETR 387 m 50 m 10/25/50 m
50
O período dos dados disponível varia para cada torre, no entanto, para o
desenvolvimento dos modelos RNA só puderam ser utilizados dados coletados no
intervalo entre Agosto/2005 e Abril/2008 devido à compatibilidade com as saídas
disponíveis do modelo Eta/PV. Neste período de interesse, cada torre possui pelo
menos 8 meses completos e ininterruptos, possibilitando que os modelos RNA
desenvolvidos identifiquem as variações sazonais do vento.
A qualificação dos dados coletados nas 8 torres foi feita de acordo com a
procedimento estabelecido pelo projeto SONDA (MARTINS et al., 2007). Os dados
anemométricos coletados após Abril/2008 foram utilizados no cálculo das
climatologias diárias a fim de dar maior representatividade as mesmas.
51
atuam como forçantes dinâmicas, organizando a convecção sobre o continente,
entretanto fenômenos locais como a convecção profunda relacionada à orografia e
instabilidade termodinâmica, ainda respondem por uma boa parte da precipitação
nesta região (MOLION; BERNARDO, 2000).
A Figura 5.4 ilustra de que forma a precipitação se distribui ao longo dos dados
anemométricos disponíveis. Como o volume anual de chuva varia muito entre as
localidades, para separar os meses mais chuvosos foi feita a comparação entre
cada mês e o valor médio mensal obtido caso a precipitação anual fosse
uniformemente distribuída.
52
Figura 5.4 – Distribuição da precipitação ao longo dos dados anemométricos
disponíveis para cada estação.
Figura 5.5 – Séries anemométricas e rosa dos ventos para cada torre anemométrica
empregada neste estudo. (Continua)
53
Figura 5.2 - Conclusão
54
5.2. Dados do Modelo Eta/PREVENTO
Para a redução do espaço em disco o domínio inicial do modelo foi recortado para
uma região de interesse, ficando restrito entres as latitudes 7°S e 11°S e longitudes
34°W a 41°W. A Figura 5.6 ilustra o domínio do modelo, seu recorte e o mapa de
relevo utilizado nas rodadas.
55
Figura 5.6 - Domínio da grade do modelo Eta/PREVENTO com região de recorte em
vermelho (a); com topografia relativa na resolução de 5 km (b). Sentido
de escalas do azul para o amarelo indicam aumento altitude.
56
Tabela 5.2 - Descrição das variáveis Eta/PV.
57
58
6 METODOLOGIA
59
assimiladas todas as variáveis de superfície e 5 variáveis por camada para 7 níveis
de pressão. Os níveis incluídos foram 1000, 950, 925, 900 e 850 hPa, por estarem
relacionados aos gradientes verticais e à dinâmica da CLA, e 500 e 200 hPa, por
apresentarem uma relação com o vento geostrófico e principalmente com as
forçantes dinâmicas de alta troposfera, como os distúrbios ondulatórios e VCANs.
Portanto o conjunto total de dados do modelo assimilados para cada estação foi de
54 variáveis.
60
Tabela 6.1 – Experimentos referentes às rodadas do modelo Eta/PV.
61
Stokes (N-S) (Equações 2.5 a 2.7). Para tanto algumas aproximações foram
necessárias e são descritas resumidamente a seguir.
TY
¬ = 0 ®¯¯° ¬ = (6.3)
A:
=0
A§
(6.4)
A: 1 A:
+ ∙ A/ ®¯¯°
TY
A = = ∙
A + A/
(6.5)
A partir deste ponto, é possível obter sinais proporcionais a cada termo da equação
de N-S utilizando o método das diferenças finitas para aproximar as derivadas,
conforme exposto nas Equações 6.6 a 6.10. Quando necessárias outras
aproximações foram efetuadas para viabilizar a obtenção dos termos, mas seu
detalhamento foge ao escopo deste capítulo.
62
1 /]
\²' = ∙
+∆/ ∆/
(6.7)
O primeiro termo do fluxo vertical turbulento de momento médio X-§1 pode ser
aproximado pela Equação 6.8.
1 / − / − 1
- 4X- = ∙
+∆/
∆/
(6.10)
A absorção de momento pelos efeitos viscosos [X pode ser aproximada pela
Equação 6.11.
1 / − / − 1
]
[X = ¸ ∙ ¹
+∆/
∆/
(6.11)
Para as variáveis \²', - 4X- e [X, foram geradas além dos fluxos
horários, também os fluxos médios em 24 horas.
Finalmente, sendo o ciclo diário a oscilação mais intensa nas séries de vento, uma
maneira encontrada para captar qualquer fenômeno cíclico com este período se deu
pela introdução de 12 variáveis sintéticas representadas por ondas senoidais com 1
hora de defasagem entre elas, conforme ilustrado na Figura 6.1. Como não importa
63
se as correlações com o vento são positivas ou negativas, 12 horas são suficientes
para cobrir todo o intervalo de possíveis ciclos ao longo do dia.
Após estas manipulações o conjunto final de dados passou a ter 189 possíveis
preditores para cada estação. O Apêndice A traz uma lista detalhada com todos
eles.
64
Tabela 6.2 – Critérios para o controle de qualidade dos dados anemométricos.
Éí'ËÇ∆]j Ì < 13
Limite superior para o valor
5 Adicional
mínimo em 24 h
É\-[²'²ËÇ∆]j Ì < 18
Limite superior para o valor
6 Adicional
médio em 24 h
É\-[²'²ËÇ∆]j Ì < 15
Limite Superior para o valor
7 Adicional
médio em 72 h
∗
= ∙ _ (6.13)
1
=∙ _
ln o_ p
(6.14)
%
65
A rugosidade local pode ser calculada pela Equação 6.15 para cada amostra, e seu
valor final determinado através da análise de seu histograma para todos os ajustes
de perfil efetuados Uma alternativa seria definir % como sendo a mediana dos
valores, o que é uma aproximação bastante robusta, pois corresponde ao valor de
50% da função de densidade de probabilidade acumulada (CDF) não-paramétrica
para a distribuição em questão. Outra opção seria a partir das Equações 6.13 e 6.14
adotar o valor de rugosidade que gera um viés nulo no nível mais elevado a através
da auto-validação do perfil. Entretanto, como o objetivo é utilizar os valores
extrapolados no treinamento da RNA, e esta utiliza como critério erro quadrático
médio, resolveu-se adotar o valor de rugosidade que corresponde ao valor mínimo
do RMSE na auto-validação do perfil. A Figura 6.2 ilustra este procedimento para
uma das estações. Não foi considerada a variação da rugosidade em função de
alterações sazonais na vegetação, embora se saiba que as torres de Maragogi e
Roteiro sofram influência devido ao cultivo de cana-de-açucar em seus arredores.
_
ln o_] p
_% = Îln_n − _n ∙ Ï n
ÐÑ
_] − _n
(6.15)
66
Além disso, ao considerar a CLS como neutra, em média, espera-se que os erros
não sejam significativos, pois conforme observado em ensaios em túnel de vento
por Loredo-Souza et al. (2004) e por Roballo & Fisch (2008) a partir de dados
anemétricos de Alcântara-MA, os ventos mais intensos típicos nestas regiões
tendem a neutralizar a CLS devido à grande turbulência mecânica gerada. Para
mensurar o erro cometido, o método proposto foi validado através da comparação
entre valores reais e estimados, onde chegou-se a valores de RMSE inferiores 0,3
m/s, o que é adequado para a modelagem em questão. Esta etapa do processo foi
denominada reparação dos dados.
Conforme discutido anteriormente a seleção dos preditores é uma das etapas mais
sensíveis no desenvolvimento de modelos de RNAs e exige conhecimento sobre os
processos físicos presentes na CLA. Parte-se de um grande número de previsores
em potencial que agregam uma complexidade desnecessária à rede e precisa ser
reduzido. A seleção com base em correlações lineares é uma técnica bastante
consolidada quando os fenômenos envolvidos não apresentam grandes não-
linearidades. Neste caso, entretanto, um cuidado adicional se faz necessário para
preservar estas possíveis relações.
67
6.3.1. Definição dos Subconjuntos por Limiar de Correlação
Identificou-se para cada preditor qual a defasagem que leva à maior correlação.
Criou-se então 8 subconjuntos de preditores a partir de limiares inferiores para os
módulos das correlações. De forma conservadora, estes módulos variaram de 0,01
a 0,15 conforme mostra a Tabela 6.4.
Cada conjunto de preditores foi usado como entrada para uma regressão linear
passo-a-passo (WILKS, 2006), em que o critério de significância mínima de entrada
foi de 0,05 e a significância máxima para saída foi de 0,10. A regressõe linear
passo-a-passo é uma técnica de regressão multivariada em que preditores são
adicionados ou removidos gradativamente ao modelo na medida em que atendam
ao critério de entrada, ou deixem de atender ao critério de saída. Estes critérios
estão ligados ao poder explanatório adicional que cada preditor agrega ao modelo.
68
Mesmo para relações lineares sua eficácia não é absoluta, pois a ordem em que os
preditores são adicionados é importante, e testar todas as combinações possíveis
muitas vezes torna-se inviável. Apesar disso é uma forma sistemática e bem
fundamentada de se efetuar uma seleção de variáveis, e desde que se admita que
bons preditores lineares têm uma maior probabilidade de serem bons preditores
não-lineares, seu emprego pode ser estendido para a tarefa em questão. Cabe
ressaltar que para efetuar regressões não-lineares multivariadas é preciso pré-
definir o tipo de função que será utilizada (polinomiais, integrais, diferenciais,
homogêneas, etc..) pois os sistemas de equações são indeterminados, o que
dificulta bastante a aplicação desta técnica para fenômenos cujo equacionamento é
muito complexo, como neste caso.
69
definida para cada estação. O conjunto de validação variou entre 50% a 60% dos
dados por estação, em função do tamanho da série disponível. Os erros e
correlações foram avaliados sobre toda a série de dados.
Uma vez que o número de preditores para a RNA já foi definido, o próximo passo foi
determinar o número adequado de neurônios na camada oculta. Quanto maior este
número, maior a flexibilidade da rede para se ajustar aos resultados, no entanto
maior também é o número de mínimos locais, maior a dificuldade de treinamento e
maior o risco de super-ajuste da rede. Para averiguar como o número ideal de
neurônios varia na medida em que se altera a quantidade de preditores, foram
70
testados 6 subconjuntos de preditores para cada estação, com os neurônios da
camada oculta variando de 1,5 a 4 vezes o número de preditores. Os outros dois
subconjuntos de preditores referentes ao Limar 1 e Limiar 2 não foram utilizados,
pois acarretariam um tempo excessivo de processamento devido ao número maior
de preditores. Após 100 treinamentos para cada subconjunto, os melhores valores
de RMSE e R analisados em função do número de preditores. O intervalo ideal é
aquele em que um aumento no número de neurônios não acarreta uma melhora
significativa nos resultados.
A função de entrada da RNA pode ser do tipo ‘Mín/Máx’, quando os preditores são
escalonados na entrada, ou do tipo ‘std’, quando são normalizados pelo desvio
padrão. O tratamento inicial dos preditores pode variar entre o uso de anomalias
absolutas, anomalias normalizadas ou anomalias escalonadas. É importante
diferenciar o escalonamento efetuado nas entradas da RNA do efetuado no
tratamento dos preditores. Apesar de ambos limitarem os valores mínimos e
máximos entre -1 e 1, no tratamento dos preditores a média das anomalias é
preservada em zero, evitando um desbalanceamento do sinal, conforme indica a
Equação 6.16. A climatologia diária usada para o cálculo das anomalias pode ser
única para todo o ano ou mensal. Os algoritmos de treinamento variam entre o TLM,
o de retropropagação por gradientes conjugados (TCG) e o de retropropagação por
regularização bayesiana (TBR). O alvo pode variar entre a anomalia do vento
observado (Vobs), ou o pela anomalia do erro entre o vento previsto (Vp) e o
observado.
71
:q
X\ : q > 0 Ô: q
À Uá
Ã
:Óa
q
=¿ Â
: q
X\ : q < 0 Ô: q
(6.16)
¾ Á
UíÈ
Teste 2 +/- 12h Mín/Máx Anom Norm Diária TLM Vobs 50m
Diária /
Teste 6 +/- 3h Mín/Máx Anom Norm TLM Vobs 50m
Mensal
72
Da mesma forma que na seleção de preditores, os resultados foram
comparados através de um teste de Kolmogorov-Smirnov com 5% significância para
duas amostras, sendo uma destas sempre a Controle.
As melhores configurações de RNA obtidas para cada uma das torres foram
aplicadas sobre as demais estações. A configuração obtida para SJCA foi
denominada INT, como referência ao interior do continente, e a configuração obtida
para ROTE foi chamada LIT, em referência ao litoral. As redes foram treinadas para
cada uma das 8 torres e a avaliação final foi efetuada sobre todo o conjunto de
dados disponível.
∑Ö ; ;
e©ne − Õe − Õ
Z=
; ] ; ]
e©ne − ∙ ^∑e©nÕe − Õ
^∑Ö Ö
(6.17)
73
1
Ö
É = ×e − Õe
y
(6.18)
e©n
1
Ö
ZÉ0 = Ø ×e − Õe ]
y
(6.19)
e©n
ZÉ0ÙÖÚ − ZÉ0Ûd
0[&&ZÉ0, /² =
ZÉ0Ûd
(6.20)
74
Figura 6.3 – Aerogerador de 2,1MW utilizado nas estimativas e sua curva de
potência.
Fonte: Hidrofil (2011) <www.thewindpower.net>
75
76
7 RESULTADOS
Figura 7.1 – Comparação entre mapas de magnitude do vento a 10m antes (a) e
após (b) o processo de recorte, conversão e assimilação.
77
porcentagem de dados espúrios por variável para as estações de SJCA e ROTE.
Entre as variáveis excluídas estão o coeficiente de arrasto superficial (cdsfc), a
disponibilidade de umidade em superfície (mstavdl), o coeficiente de troca em
superfície (sfexcsfc) e os fluxos zonal e meridional de momentum em superfície
(uflxsfc e vflxsfc), que não foram calculados em instante algum, possivelmente por
opção de configuração inicial do modelo. As variáveis de fluxo de calor latente em
superfície (lhtflsfc) e de vento zonal na camada de 850 hPa (ugrdprs850) tiveram
uma taxa de falha bem discreta e foram mantidas no modelo após terem seus dados
suspeitos substituídos pelas respectivas médias. Inspecionando com detalhe as
variáveis lhtfsfc e mstavdlr percebe-se que a taxa de falha é diferente entre os
pontos de grade, o que sugere que pode haver alguma instabilidade numérica
induzida por fatores locais. Os critérios para esta qualificação foram os limites
máximos e mínimos fisicamente possíveis para cada variável, obtidos
empiricamente com base na análise do conjunto de saídas do modelo. Dados falhos
indicavam valores não-factiveis, tipicamente -999, sendo facilmente identificados.
Para taxas de falha inferiores a 2% estes valores foram substituídos pela média
simples da variável para cada estação.
SJCA
70%
60% TRFO
50% ROTE
40%
MAGI
30%
GIRP
20%
10% 1,1% AGUB
0,03%
0% PALM
cdsfc lhtflsfc mstavdlr sfexcsfc uflxsfc vflxsfc ugrdprs850
Variáveis Eta/PV
Quanto aos dados anemométricos sua qualificação foi imprescindível, pois foram
detectadas diversas fontes de erro cujo diagnóstico é difícil por inspeção visual.
78
Neste caso o algoritmo utilizado foi baseado nos critérios do projeto SONDA,
acrescido de critérios adicionais como já mencionado anteriormente. A Figura 7.3
ilustra a porcentagem de dados suspeitos ou incompletos para cada torre
anemométrica e para cada nível. A altura dos níveis para as estações varia
conforme descrito anteriormente pela Tabela 6.1. Cabe ressaltar que o nível 1 de
TRFO esteve inoperante durante todo o período.
100,0%
100%
90% Nível 1 (25 / 30 m)
Porcentagem Desqualificada
79
1,00
Fração Reparada / Erro (m/s)
Reparado 50 m
0,80 BIAS 50 m
0,65 0,65
MAE 50 m
0,60
48%
0,40 0,31
0,28
0,22 0,21
0,20 0,1616%
0,08
0% 0% 0 0 0% 0,02 0% 0% 0%
0,00
80
Figura 7.5 – Conclusão
7.2. Climatologia
Foram removidas do conjunto de dados tanto as variáveis do Eta/PV não aprovadas
na qualificação quanto as linhas de dados anemométricos suspeitos e não passíveis
de reparos. Foram calculadas as climatologias diárias para o modelo e para as
observações. Tendo em vista que após a sincronização o período de dados
anemométricos fica limitado pelo período do Eta/PV, a climatologia observada foi
81
calculada utilizando todo o conjunto de dados anemométricos disponíveis,
independentemente da sincronização.
Observando a Figura 7.7 nota-se que o Eta/PV em média, detecta com precisão o
instante em que o vento se intensifica em SJCA apesar de não representar bem as
magnitudes, superestimando os máximos diários. Outro ponto interessante é a
existência de freqüências mais altas de oscilação da magnitude e direção do vento
observado nos meses chuvosos em SJCA, possivelmente um efeito da convecção
profunda. Este mesmo comportamento não é aparente nos dados do Eta/PV. Para
ROTE percebe-se uma diferença maior no ciclo diário, onde o Eta/PV tipicamente
superestima a brisa marítima e não detecta as oscilações na direção do vento nos
meses chuvosos.
Figura 7.7 – Ciclos diários de intensidade e direção do vento ao longo do ano para
SJCA (a) e (b) respectivamente; e ROTE (c) e (d) respectivamente.
(Continua)
82
Figura 7.7 – Continuação. (Continua)
83
Figura 7.7 – Continuação (Continua)
84
Figura 7.7 – Continuação . (Continua)
85
Figura 7.7 – Conclusão
86
7.2.2. Determinação do Comprimento de Rugosidade
A Figura 7.8 mostra os valores obtidos para as rugosidades ao redor de cada torre
em escala logarítmica. O cálculo não foi dividido por setores por conveniência, uma
vez que o vento predominante não varia muito de direção nesta região.
10,00
3,59
Rugosidade (m)
1,00 0,66
0,01
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
Figura 7.8– Valores obtidos para a rugosidade % ao redor de cada torre em escala
logarítmica.
87
7.3. Preditores Selecionados
88
Figura 7.9 – Correlações máximas obtidas para cada variável e exemplo de limiar
adotado para definir os subconjuntos de preditores para SJCA (a);
correlações máximas obtidas para ROTE (b).
89
Figura 7.10 – Defasagens de máxima correlação para cada variável em SJCA e
ROTE. O zero representa o momento da previsão e as barras azuis
a posição no tempo dos 24 valores utilizados para prever o vento
(alvo).
Nas duas primeiras etapas de seleção foram adotados critérios gradativamente mais
restritivos (limiares) para que a análise fosse conservadora, uma vez que as
potencialidades não-lineares de cada preditor são desconhecidas. A última etapa da
seleção, porém, é determinante, pois os subconjuntos preditores são treinados em
uma rede neural, onde têm seu desempenho comparado. Para um número de
treinamentos suficientemente grande pode-se identificar estatisticamente quais
subconjuntos representam uma melhora efetiva para o modelo em RNAs. A Tabela
7.1 lista o número de preditores obtidos por subconjunto após a aplicação dos
limiares e da regressão passo-a-passo (REGP). Na sequência, a Figura 7.11
compara a dispersão anterior e posterior à REGP para as estações de SJCA e
ROTE. Cabe ressaltar que para todos os subconjuntos o vento modelado pelas
REGPs foi incluído como um preditor adicional.
90
mostra que mesmo para regressões lineares estes preditores agregam valor. A
comparação das dispersões com o vento observado entre Eta/PV e REGP também
evidenciam a potencialidade desta técnica. Para REGP o viés foi praticamente
eliminado e as correlações aumentaram significativamente para ROTE, de 0,34 para
0,70, e modestamente para SJCA, de 0,58 para 0,63. Adiante será visto que esta
dificuldade em modelar SJCA é freqüente.
Número Preditores Lim_1 Lim_2 Lim_3 Lim_4 Lim_5 Lim_ 6 Lim_7 Lim_ 8
SJCA - Inicial 144 124 103 82 66 52 42 37
Após REGP 54 49 37 35 28 25 22 17
ROTE - Inicial 151 145 120 86 63 47 38 32
Após REGP 56 47 34 28 26 25 21 18
91
normal padrão. Nota-se que apesar de algumas regiões não sobrepostas, em geral
existe uma compatibilidade entre as curvas, o que indica certo grau de
aleatoriedade da solução. Isto pode ser um sinal de que o treinamento da RNA está
convergindo sistematicamente em torno de soluções semelhantes, as quais seriam
função apenas das condições iniciais dos pesos e vieses, que são aleatórias.
92
Figura 7.12 – Conclusão.
93
Figura 7.13 – Valores médios (azul), dispersão de 25%-75% (verde) e extremos
(vermelho) para as distribuições de RMSE e R como função do
número de preditores utilizados na construção do modelo em RNAs
para SJCA (a); e ROTE (b).
A leitura da Tabela 7.2 deve ser feita de tal forma que para uma comparação entre
os subconjuntos X/Y, o valor 1 indica que os parâmetros RMSE ou R de Y são
melhores que os de X. A partir dos resultados da Tabela 7.2 e da Figura 7.13 define-
se o subconjunto de preditores mais adequado para cada uma das estações. Para
SJCA nota-se que um aumento no número de preditores leva a uma melhora
94
significativa no modelo até o subconjunto correspondente ao Limiar 4. Já para
ROTE esta melhora avança até o subconjunto de Limiar 3. Apesar dos limiares
distintos obtidos para as estações o número de preditores ao final desta etapa ficou
em 35 e 34, para SJCA e ROTE respectivamente. Há diferenças entre os preditores
de cada estação e isto é compreensível, pois como estas estações estão em locais
geograficamente distintos (litoral e sertão), possuem uma dinâmica atmosférica
diferenciada que permite correlações diferentes para algumas variáveis. Como este
número final de preditores ainda vai sofrer pequenas alterações devido aos testes
de sensibilidade, a comparação entre os conjuntos será feita somente ao final do
capítulo.
95
Outro fator que pode estar limitando o desempenho da rede para SJCA é a própria
complexidade dos fenômenos atmosféricos locais, que pode levar a uma
incapacidade de prognóstico do Eta/PV para algumas escalas de circulação
relevantes, inferiores a capacidade de representação do modelo. Com isso a RNA
empregada não possui recursos suficientes para extrair mais informações dos
preditores. Uma alternativa seria o emprego de redes neurais com mais de uma
camada oculta e/ou recorrentes, mas que estão fora do escopo deste trabalho. Com
base nestes resultados, optou-se por trabalhar sempre com um intervalo de
neurônios ocultos entre 2 e 3 vezes o número de preditores, poupando tempo para
realizar mais iterações e assim garantir a convergência do erro.
(a) (b)
Figura 7.14 – RMSE em função da razão entre neurônios e preditores para SJCA (a)
e ROTE (b).
96
de significância. A diferença neste caso é que cada configuração foi comparada ao
grupo controle para se avaliar o ganho relativo de cada modificação. A hipótese nula
do KSTest é de que as amostras são iguais e a alternativa é de que a segunda
amostra é melhor (maior ou menor, em função de RMSE ou R). A Tabela 7.3 lista
os valores obtidos para o teste, lembrando que 0 indica que a hipótese nula é
verdadeira, enquanto 1 indica que a alternativa é verdadeira.
Figura 7.15 – Testes de sensibilidade para cada configuração de RNA para SJCA e
ROTE, acima e abaixo respectivamente.
97
Os resultados mostram que as alterações propostas nos Testes 4, 5 e 9 foram
benéficas para ambas as estações. A diferença entre elas reside apenas no Teste 2,
que foi melhor para ROTE enquanto o Teste 8 foi melhor para SJCA. A Tabela 7.4
detalha quais modificações foram introduzidas em cada um destes testes. Percebe-
se que o uso de anomalias não-normalizadas e escalonadas no tratamento dos
preditores melhora o desempenho da rede. Outra conclusão importante é que com a
utilização do erro da previsão Ç 4\ – ÇÜ¥X como alvo, as correlações tendem a
aumentar, o que está de acordo com o encontrado por Chou et al. (2007) para
previsões de temperatura.
A primeira diferença se deu na defasagem máxima entre preditor e preditando. Uma
defasagem maior, de +/- 12 horas, foi benéfica para ROTE. Esta pode estar
associada a algum padrão sinótico de escala superior a 12 horas que têm uma
influência importante sobre o vento durante sua aproximação ou afastamento. Uma
análise mais detalhada das defasagens combinadas ao peso de cada preditor no
modelo final da RNA pode trazer evidências do tipo de fenômeno que pode estar
relacionado.
Por fim, a outra diferença restante se deu em relação algoritmo de treinamento
utilizado. Embora o algoritmo TLM apresente uma convergência mais rápida para
todos os casos, o algoritmo TBR teve um desempenho superior para SJCA.
Conforme exposto anteriormente o algoritmo TBR utiliza regularização bayesiana,
evitando que os pesos e bias assumam valores muito elevados e contribuindo para
a generalização da RNA. A estação de SJCA é a que possui a mais longa série de
treinamento o que indica que problemas de generalização não são esperados. A
razão provável deste resultado pode estar relacionada ao processo de treinamento
adotado pelo TBR, que por ser regularizado a princípio não adota uma parcela de
validação para o critério de parada antecipada, podendo eventualmente “decorar”
alguns padrões mesmo para uma série de dados extensa como a de SJCA. Como
uma maneira de contornar esta deficiência, nos treinamentos posteriores pelo
algoritmo TBR uma parcela dos dados foi separada para uma avaliação
independente dos erros finais.
Um aspecto interessante destes resultados é a ausência de benefício com o uso do
Teste 6. Neste teste as anomalias foram calculadas com base em ciclos diários
mensais, e portanto representam apenas oscilações intra-sazonais, o que a
98
princípio pode representar um avanço já que as previsões são de curto-prazo.
Porém, de acordo com os resultados o prejuízo ao desempenho pela ausência do
sinal sazonal é mais relevante do que uma eventual melhoria introduzida pelo teste.
Uma alternativa seria combinar ambos, introduzindo uma variável sintética para
representar o ciclo anual, assim como foi feito para o ciclo diário.
Tabela 7.4 – Testes de sensibilidade aprovados pelo KSTest para SJCA e ROTE.
Aprovado Defasagem Tratamento Algoritmo
Alvo da RNA
para: Máxima Preditores Treinamento
Controle +/- 3h Anom Norm. TLM Vobs 50m
Teste 2 ROTE +/- 12h Controle Controle Controle
Teste 4 SJCA/ROTE Controle Anom Absol. Controle Controle
Teste 5 SJCA/ROTE Controle Anom Escal. Controle Controle
Teste 8 SJCA Controle Controle TBR Controle
Vprev - Vobs
Teste 9 SJCA/ROTE Controle Controle Controle
50m
99
Figura 7.16 – Séries temporais de anomalias escalonadas para SJCA e ROTE.
100
Figura 7.17 – Dispersão final obtida entre o vento observado e o modelado pela
RNA a 50 m para SJCA e ROTE.
Como pode ser observado, as dispersões finais obtidas para a RNA têm um aspecto
mais esbelto do que as obtidas anteriormente para o ETA/PV e REGP. O valor de R
melhorou significativamente o que indica que a metodologia funciona bem para
estas estações, embora o desempenho para SJCA não tenha sido tão bom quanto
para ROTE. Na etapa seguinte aplicou-se a metodologia para as outras 6 estações,
efetuando-se outros 100 treinamentos para cada uma delas.
Figura 7.18 – Dispersão final obtida entre o vento observado e o modelado pelo
Eta/PV, REGPe RNA a 50 m para as demais estações. PETR (a); TRFO
(b); MAGI (c); GIRP (d); AGUB (e); PALM (f). (Continua).
101
Figura 7.18 – Conclusão.
102
1,20
1,00
0,80
Correl. (R)
RNA_INT
0,60
RNA_LIT
0,40
0,20
0,00
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
Para uma visualização compacta dos resultados obtidos para cada um dos modelos
e para cada estação foram gerados gráficos comparativos para R e RMSE conforme
ilustram as Figuras 7.20 e 7.21 respectivamente. Com isto fica evidente que o
desempenho das RNAs é superior ao das REGPs para todas as estações. Em
alguns casos esta melhoria é modesta, como nas estações de ROTE e GIRP,
enquanto para os outros esta é mais significativa. É importante ressaltar a melhora
obtida para a estação de SJCA, que é substancial já que possui a mais longo série
de dados com quase 3 anos. A correlação máxima foi 0,90 para a estação de PALM
enquanto os menor RMSE foi obtido para PETR em aproximadamente 0,95 m/s.
1,00
0,90
0,80
0,70
Correl. (R)
0,60
Eta/PV
0,50
REGP
0,40
0,30 RNA
0,20
0,10
0,00
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
103
5,00
4,50
4,00
3,50
3,00
Eta/PV
RMSE
2,50
2,00 REGP
1,50 RNA
1,00
0,50
0,00
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
104
quanto melhor são os resultados do Eta/PV menor é o ganho relativo possível para
as RNAs.
Os maiores valores de SKILL (RMSE) e SKILL (R) em relação à REGP ocorreram
para as estações de PETR, TRFO e PALM que possuem o entorno mais
heterogêneo, o que demonstra a aplicabilidade das RNAs a locais de topografia
acidentada e vegetação irregular.
Tabela 7.5 – Resumo dos resultados obtidos pela modelagem por REGP e RNA
para cada estação anemométrica.
Eta REG RNA Eta REG RNA Eta REG RNA Eta REG Eta REG
PETR 2,80 1,46 0,95 0,40 0,48 0,81 -1,13 0,00 -0,01 -66% -35% 103% 67%
SJCA 3,10 1,79 1,37 0,58 0,63 0,80 -1,70 -0,04 0,00 -56% -24% 39% 28%
TRFO 4,59 2,11 1,36 0,37 0,68 0,88 3,64 0,06 0,17 -70% -36% 136% 29%
ROTE 2,87 1,29 0,93 0,34 0,70 0,87 -0,43 -0,03 0,07 -68% -28% 153% 24%
MAGI 2,30 1,33 1,04 0,35 0,68 0,83 0,67 -0,04 0,04 -55% -22% 137% 21%
GIRP 3,23 1,53 1,33 0,31 0,81 0,87 1,28 0,04 0,15 -59% -14% 182% 7%
AGUB 3,52 1,59 1,39 0,22 0,76 0,83 2,36 -0,07 0,07 -61% -13% 273% 9%
PALM 4,63 1,70 1,15 0,39 0,75 0,90 -3,47 -0,02 0,15 -75% -32% 128% 19%
Por fim, para visualizar com maiores detalhes em uma escala temporal em quais
momentos a RNA se comporta melhor em relação à REGP e ao Eta/PV, foram
geradas figuras das séries temporais de vento a 50 m onde as diferentes previsões
são comparadas para um horizonte de 5 dias consecutivos. A Figura 7.22 ilustra
105
estas séries para as 8 estações, onde os períodos de maior interesse estão
circulados em vermelho. Nota-se pela figura que o desempenho das RNAs se
diferencia dos demais principalmente para os valores extremos, mínimos e
máximos, e para variações bruscas de vento.
106
Figura 7.18 – Continuação. (Continua).
107
Figura 7.18 – Conclusão.
Uma análise complementar que pode trazer benefícios quanto à compreensão das
magnitudes dos fenômenos envolvidos na modelagem estatística do vento é a
determinação da influência de cada preditor sobre o resultado final, o que pode ser
entendido como seu peso final no modelo de RNAs. Cada preditor da RNA foi
levemente deslocado do seu valor original para duas posições, uma em +10%
(Delta+) e outra em -10% (Delta+) em relação suas anomalias máximas, onde as
saídas do vento obtidas foram comparadas à saída original. Com isso admite-se que
o viés apresentado pela nova saída de vento representa sua sensibilidade em
relação àquele preditor, em valores percentuais. Cabe ressaltar que este foi
deslocado para mais e para menos porque a sensibilidade pode ser diferente para
um dos lados uma vez que o modelo é não-linear. Repetindo-se este passo para
todos os preditores têm se o mapeamento dos pesos de cada preditor no modelo
final. Estas informações podem ser úteis inclusive para orientar melhorias no
tratamento do vento em modelos de mesoescala.
108
Os preditores selecionados para as estações de SJCA e ROTE durante a
configuração da RNA estão listados pela Tabelas 7.6 e Tabela 7.7 respectivamente.
Estes foram os mesmos preditores utilizados pelas demais estações, os de ROTE
para MAGI, por ser no litoral, e os de SJCA para as demais estações do interior.
Nestas tabelas estão descritos o nível de cada preditor, a escala de tendência
quando for o caso, a defasagem de máxima correlação e os respectivos impactos
sobre o vento modelado pelas RNAs.
109
Tabela 7.6 – Preditores selecionados para SJCA e respectivos impactos sobre o vento modelado pela RNA. As defasagens
mostradas significam atraso na previsão quando negativas.
Nro Variável Nível (hPa) Tendência Defasagem (h) Descrição Delta(-) Delta(+)
1 apcpsfc sfc 1 Precipitação total 0,1% 0,0%
2 dlwrfsfc sfc 0 Onda longa Descendente 0,0% -0,1%
3 dswrfsfc sfc -1 Onda Curta Descendente -1,0% 1,0%
4 lhtflsfc sfc 0 Fluxo calor latente -2,7% 2,5%
5 shtflsfc sfc -1 Fluxo de calor sensível 3,3% -3,1%
6 tmp2m sfc -1 Temperatura a 2m -6,5% 6,0%
7 ugrd10m sfc 0 Vento zonal a 10 m 3,0% -2,5%
8 vgrd10m sfc 0 Vento meridional a 10 m 6,7% -6,9%
9 hgtprs500 500 0 Altura geopotencial da camada 0,4% -0,5%
10 hgtprs200 200 0 Altura geopotencial da camada 0,9% -0,8%
11 spfhprs950 950 0 Umidade especifica da camada 1,2% -1,2%
12 spfhprs500 500 0 Umidade especifica da camada 2,9% -2,8%
13 spfhprs200 200 1 Umidade especifica da camada -14,9% 11,6%
14 tmpprs1000 1000 0 Temperatura da camada 0,7% -0,8%
15 tmpprs900 900 -1 Temperatura da camada 3,9% -4,1%
16 tmpprs850 850 0 Temperatura da camada 6,8% -6,4%
17 tmpprs200 200 0 Temperatura da camada 0,6% -0,6%
18 ugrdprs1000 1000 0 Vento zonal na camada 0,5% -0,6%
19 ugrdprs925 925 0 Vento zonal na camada 1,1% -1,2%
20 ugrdprs900 900 0 Vento zonal na camada -2,1% 2,1%
21 ugrdprs850 850 0 Vento zonal na camada 0,5% -0,4%
Continua
110
Tabela 7.6 – Conclusão
22 vgrdprs925 925 0 Vento meridional na camada -4,0% 4,2%
23 vgrdprs900 900 0 Vento meridional na camada 4,3% -3,4%
24 vgrdprs850 850 0 Vento meridional na camada -0,1% 0,1%
25 wndmag10 sfc 0 Magnitude do vento a 10 m -7,9% 7,6%
26 ghdlwrfsfc sfc horário 1 Onda longa Descendente 0,1% -0,1%
27 ghdswrfsfc sfc horário -1 Onda Curta Descendente -0,3% 0,3%
28 ghlcdclcl sfc horário 0 Fr. de cobert. nuvens baixas 0,6% -0,5%
29 ghshtflsfc sfc horário -1 Fluxo de calor sensível 0,7% -0,7%
30 ghtmp2m sfc horário 1 Temperatura a 2m 1,2% -1,2%
31 ghtmpprs950 950 horário 1 Temperatura da camada 0,6% -0,5%
32 ghtmpprs925 925 horário 1 Temperatura da camada -1,1% 1,1%
33 ghtmpprs850 850 horário 1 Temperatura da camada -1,7% 1,6%
34 uxvisc sfc 0 Fluxo de momentum fricção -0,8% 0,8%
35 uwflux sfc 0 Fluxo de momentum vertical 1,3% -1,3%
36 gdapcpsfc sfc diário -1 Precipitação total -0,8% 0,8%
37 gdlcdclcl sfc diário 0 Fr. de cobert. nuvensbaixas -1,7% 2,1%
38 gdvgrdprs950 950 diário 0 Vento meridional na camada -1,0% 1,0%
39 gdwndmag10 sfc diário 0 Magnitude do vento a 10 m 2,3% -2,2%
40 uxdvgd sfc diário 0 Fluxo de momentum vertical -1,5% 1,5%
41 wave4 sfc 0 Onda senoidal com máx. às 10Z 1,4% -1,2%
111
Tabela 7.7 – Preditores selecionados para ROTE e respectivos impactos sobre o vento modelado pela RNA. As defasagens
mostradas significam atraso na previsão quando negativas.
Nro Variável Nível (hPa) Tendência Defasagem (h) Descrição Delta(-) Delta(+)
1 msletmsl sfc -11 Pressão media nível do mar (Eta) -8,5% 8,6%
2 spfh10m sfc 0 Umidade especifica a 10m -5,1% 4,9%
3 tcdcclm sfc 9 Cobertura total de nuvens -44,9% 41,3%
4 hgtprs1000 1000 -11 Altura geopotencial camada -27,6% 27,4%
5 hgtprs900 900 -11 Altura geopotencial da camada 24,5% -24,6%
6 hgtprs200 200 11 Altura geopotencial da camada 2,6% -2,3%
7 spfhprs850 850 -9 Umidade especifica da camada 2,6% -2,8%
8 tmpprs1000 1000 -8 Temperatura da camada -0,1% 0,2%
9 tmpprs950 950 -10 Temperatura da camada 1,3% -1,9%
10 tmpprs200 200 10 Temperatura da camada 6,6% -6,6%
11 ugrd10m sfc 0 Vento zonal a 10 m -4,2% 3,8%
12 ugrdprs900 900 0 Vento zonal na camada 1,1% -1,5%
13 ugrdprs850 850 -5 Vento zonal na camada -3,3% 3,3%
14 ugrdprs200 200 -6 Vento zonal na camada -0,9% 0,9%
15 ugrdprs1000 1000 0 Vento zonal na camada -14,6% 14,6%
16 vgrdprs1000 1000 0 Vento meridional na camada -5,5% 8,4%
17 vgrdprs950 950 0 Vento meridional camada -28,6% 29,2%
18 vgrdprs925 925 0 Vento meridional camada 33,2% -32,5%
19 vgrdprs900 900 0 Vento meridional camada 20,2% -22,0%
20 vgrdprs850 850 0 Vento meridional camada 3,6% -3,8%
Continua
112
Tabela 7.7 – Conclusão
21 vgrdprs200 200 -3 Vento meridional camada -12,1% 12,5%
22 wndmag10 sfc 0 Magnitude do vento a 10 m -41,9% 42,1%
23 wnddir10 sfc -4 Direção do vento a 10 m 6,5% -6,5%
24 ghspfh10m sfc horário 10 Umidade especifica a 10m 0,4% -0,4%
25 ghhgtprs500 500 diário -6 Altura geopotencial camada -1,2% 1,1%
26 ghspfhprs925 925 horário -2 Umidade especifica camada 0,2% -0,1%
27 ghtmpprs950 950 horário -6 Temperatura da camada -1,1% 1,1%
28 uwsdy2 sfc -6 Fluxo momento reg. perman. 2,6% -2,6%
29 gdmsletmsl sfc diário -11 Pressão media nível do mar -5,2% 5,2%
30 gdugrd10m sfc 3 Vento meridional a 10 m 4,1% -4,7%
31 gdhgtprs200 200 diário 0 Altura geopotencial camada 26,0% -26,6%
32 gdspfhprs1000 1000 diário 8 Umidade especifica camada 12,8% -12,7%
33 gdspfhprs850 850 diário -9 Umidade especifica camada 0,4% -0,4%
34 gdspfhprs500 500 diário 0 Umidade especifica camada -5,0% 4,9%
35 gdtmpprs1000 1000 diário 0 Temperatura da camada 9,7% -9,7%
36 gdtmpprs950 950 diário 8 Temperatura da camada 0,9% -0,7%
37 gdugrdprs950 950 diário 4 Vento zonal na camada 9,5% -9,1%
38 gdugrdprs900 900 diário 11 Vento zonal na camada 1,6% -1,7%
39 gdugrdprs850 850 diário 0 Vento zonal na camada -4,3% 4,3%
40 gdvgrdprs1000 1000 diário -11 Vento meridional camada -0,6% 0,2%
41 gdvgrdprs850 850 diário -11 Vento meridional camada 10,7% -10,4%
42 gdvgrdprs500 500 diário 11 Vento meridional camada 2,8% -2,7%
43 gdwndmag10 sfc diário 5 Magnitude do vento a 10 m -4,1% 4,2%
113
Durante a etapa de seleção de preditores, chegou-se para SJCA a 41
preditores enquanto para ROTE chegou-se a 43, um número bastante próximo.
Lembrando que para as duas estações foi adicionado ainda o vento modelado
pela REGP ao conjunto de preditores, o qual não está listado pelas tabelas
acima. Percebe-se que os conjuntos de preditores são bastante diferentes
entre si, o que é até certo ponto compreensível devido à diversidade entre o
litoral e o sertão. Há uma variação grande entre as defasagens máximas
definidas para cada estação (±1 h e ±11 h), o que pode justificar a diferença
nos preditores. Não se pode negar todavia que há a deficiência do método de
seleção, uma vez que a REGP é sensível à ordem em que os preditores são
acrescentados, enquanto a RNA pode modelar algum ruído do sinal que não
tem relação com os fenômenos de interesse. Por isso, somente a análise dos
pesos dos preditores e sua comparação entre as estações pode trazer
informações mais confiáveis sobre as variáveis mais relevantes para a
modelagem estatística do vento.
114
(-6,5% / +6,0%) o que sugere novamente a intensificação do vento por
circulações locais de origem térmica. Um aspecto intrigante destes resultados é
a inversão que há na influência do vento meridional em diferentes níveis.
Enquanto em 925 hPa o vento meridional afeta positivamente a magnitude do
vento (-4,0% / +4,0%), para o vento a 10 m esta influência é inversa (6,7% / -
6,9%). Como estas duas variáveis estão altamente correlacionadas, uma
hipótese seria que a influência de ambas está se somando no interior da RNA e
a diferença entre elas fornece um sinal de cisalhamento do vento meridional.
115
aprofundadas e criteriosas são possíveis, o que evidencia a potencialidade das
RNAs também para o diagnóstico de mecanismos físicos complexos. É
importante considerar nestes casos que a RNA não possui recurso similar ao
das regressões passo-a-passo, uma vez que não identifica preditores
redundantes. Eventualmente os modelos em RNAs podem fazer uso de
preditores altamente correlacionados, porém em regiões distintas de sua
topologia. Cabe a quem faz a configuração da rede neural encontrar formas de
deixar o modelo o mais simples e eficiente possível.
As previsões de vento obtidas por cada modelo foram aplicadas sobre uma
curva de potência de uma aerogerador de 2,1 MW. Para isso foi necessário
extrapolar a magnitude do vento para a altura de cubo referente a este
aerogerador, que é de 80 m. A extrapolação foi feita utilizando o perfil
logarítmico do vento e o valor das rugosidades já calculado anteriormente.
Foram geradas séries de potência eólica disponível com resolução horária para
todo o período de dados das estações. A Figura 7.23 mostra a comparação
entre a potência eólica disponível prevista por cada um dos modelos para um
horizonte de 72 h.
116
Figura 7.23 – Comparação entre as séries temporais de potência eólica (kW)
dadas pelo Eta/PV, REGP e RNA em relação à potência teórica
observada a 80 m para (a) PETR; (b) SJCA; (c) TRFO; (d)
ROTE; (e) MAGI; (f) GIRP; (g) AGUB; (h) PALM. Áreas de
interesse em destaque.(Continua).
117
Figura 7.23 – Continuação. (Continua).
118
Figura 7.23 – Conclusão
119
freqüência mais alta. Cabe ressaltar que ainda assim a REGP foi capaz de
eliminar a maior parte do erro quando comparada ao Eta/PV, mostrando o quão
essencial é o uso de um refinamento estatístico nas previsões de vento e
potência eólica.
120
Figura 7.24 – Continuação. (Continua).
121
Figura 7.24 – Conclusão.
122
Figura 7.25 – Histograma da distribuição do erro entre a potência eólica
prevista e disponível pelo Eta/PV, REGP e RNA para cada
estação. Valores negativos indicam que a previsão subestimou
seu valor, em percentuais da potência nominal do aerogerador.
(Continua).
123
Figura 7.25 – Conclusão.
124
Estas distribuições foram ajustadas por um suavizador para distribuições não-
paramétricas do tipo ‘kernel’ normalizado, a partir das quais foram obtidas as
funções de densidade de probabilidade acumulada ou CDFs para cada modelo
em cada estação. Estas funções nos permitem calcular qual a probabilidade de
ocorrência de uma determinado valor de erro para cada modelo utilizado e
serão úteis no cálculo da potência eólica garantida para uma probabilidade
específica. A Figura 7.26 ilustra as curvas CDF obtidas.
125
Figura 7.26 – Conclusão.
A partir destas curvas pode-se identificar as estações que tendem a ter sua
potência superestimada pelo Eta/PV como PETR, SJCA, ROTE e PALM assim
como aquelas que tendem a ser subestimadas como TRFO, GIRP e AGUB. A
probabilidade de ocorrência chega a ser de mais de 80% para super-
estimativas em PALM e mais de 90% para sub-estimativas em TRFO. Já os
modelos REGP e RNA são bastante equilibrados, porém as RNAs apresentam
menores erros, como já visulizado pelos valores de RMSE indicado nas figuras.
127
Tabela 7.8 – Receita adicional por aerogerador devido à comercialização do
excedente de energia garantida.
128
50
45
MAE (% Pot. Nominal)
40
35
30
Eta/PV
25
20 REGP
15 10,4 11,2 10,9 10,6 RNA
9,8
10 6,8 7,7 6,9
5
0
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
Figura 7.27 – MAE obtido para as estimativas de potência eólica por estação.
Rótulos para valores das RNAs.
60,00
50,00
RMSE (% Pot. Nominal)
40,00
Eta/PV
30,00
REGP
20,00 15,8 17,2 16,6
15,0 15,0 RNA
12,5 11,5
10,3
10,00
0,00
PETR SJCA TRFO ROTE MAGI GIRP AGUB PALM
Figura 7.28 – RMSE obtido para as estimativas de potência eólica por estação.
Rótulos para valores das RNAs.
A partir destes valores para os erros médios foi possível fazer uma comparação
com os resultados encontrados na literatura. Para o erro normalizado de
potência eólica disponível os valores de MAE oscilam entre 12% a 17,6%
enquanto para o RMSE entre 11,1% a 20%. Os valores encontrados neste
trabalho variam bastante entre as estações, sendo que para algumas o MAE foi
inferior a 7% como PETR e ROTE enquanto os melhores valores de RMSE
ficaram entre 10,3% e 12,5%. A média das estações ficou em 9,3% para MAE
e 14,2% para RMSE, o que está coerente com a literatura.
129
Sem dúvida as características das séries de vento e potência utilizadas em
cada trabalho é diferente o que torna a comparação direta não conclusiva.
Neste trabalho as séries foram avaliadas integralmente, porém o tamanho das
séries diferem entre si. A princípio séries menores podem favorecer os modelos
de REGP e RNA apresentados acima. A determinação do tamanho mínimo das
séries anemométricas para garantir uma boa capacidade de generalização
para os modelos estatísticos demanda um estudo mais abrangente
De um modo geral os resultados obtidos neste estudo foram satisfatórios e
atenderam a seu principal objetivo que era o desenvolvimento e validação de
uma metodologia de refinamento estatístico do vento aplicado ao setor eólio-
elétrico do nordeste brasileiro.
130
8 CONCLUSÃO
O RMSE sofreu grande redução com o uso do ajuste estatítico, pois enquanto
o Eta/PV indicava valores entre 2,30 m/s a 4,63 m/s, as REGPs levaram à faixa
de 1,33 m/s a 2,11 m/s, e as RNAs reduziram a valores entre 0,95 m/s e 1,39
m/s.
A função de custo adotada como critério de treinamento para a rede neural não
contempla estes aspectos da curva de potência, mostrando que o desempenho
das previsões de potência eólica se degrada para locais onde o ciclo diário é
bastante acentuado, como é o caso de SJCA.
132
criteriosa de otimização de alguns parâmetros, devendo ser utilizado sempre
que possível.
Com base no que foi exposto acima, o principal objetivo do trabalho foi
atingido. Considera-se que pela complexidade tanto dos fenômenos que
influenciam o vento em superfície quanto da técnica de modelagem por RNAs
este é um campo de estudos bastante vasto, e que as análises realizadas
foram compatíveis com o escopo de um mestrado. Espera-se portanto que os
resultados apresentados acima motivem a continuidade das pesquisas na área.
133
134
9 SUGESTÕES DE TRABALHOS FUTUROS
135
Utilização de uma curva de potência como saída da RNA
136
REFERÊNCIAS BIBLIOGRÁFICAS
AMARANTE, O.C.; BROWER, M.; ZACK, J.; SÁ, A. Atlas do potencial eólico
brasileiro. , Brasília: CEPEL/ELETROBRÁS, 2001a.
137
BURTON, T., SHARPE, D., JENKINS, N., BOSSANYI, E. Wind energy
handbook, John Willey & Sons, 2001. 617 p.
138
DICA, C. I., VASILIU, D.,COMANESCU, G., UNGUREANU, M. Wind Power
Short-Term Forecasting System. In: POWER TECH CONFERENCE, 2009,
Bucharest, Romania. Proceedings… Bucharest, Romania: IEEE, 2009 .
ERNST, B., OAKLEAF, B., AHLSTRON, M. L., LANGE, M., MOEHRLEN, C.,
LANGE, B., FOCKEN, U., ROHRIG, K. Predicting the Wind. IEEE Power &
Energy magazine, v.5, n.6, p. 78-89, 2007.
FAN, S., LIAU, J. R., YOKOYAMA, R., CHEN, L., LEE, W.J. Forecasting the
wind generation using a two-stage network based on meteorological
information, IEEE Transactions on Energy Conversion, v. 24, n.2, 2009.
GALLUS,W.A. The impact of step orography on flow in the eta model: two
contrasting examples, Weather and Forecasting, v.15, p.630-637, 2000.
GEMAN, S., BIENENSTOCK, E., DOURSAT, R. Neural networks and the bias-
variance dilemma. Neural Computation, v.4, p.1-58, 1992.
139
GUARNIERI, R. A. Emprego de redes neurais artificiais e regresso linear
múltipla no refinamento das previsões de radiação solar do modelo ETA.
2006. 171 p. (INPE-14172-TDI/1089). Dissertação (Mestrado em Meteorologia)
- Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2006.
Disponível em: <http://urlib.net/sid.inpe.br/MTC-m13@80/2006/05.30.18.50>.
Acesso em: 22 dez. 2011.
LANDBERG, L., GIEBEL, G., NIELSEN, A., NIELSEN, T., MADSEN, H. Short-
term Prediction - An Overview. Wind Energy, Vol.6, p. 273-280, 2003.
140
LANGE, M., FOCKEN, U. Physical Approach to Short-Term Wind Power
Prediction. Springer, 2006. 208 p.
141
MARTINS, F. R., PEREIRA, E. B. Enhancing information for solar and wind
energy technology deployment in Brazil. Energy Policy , v.39, p.4378-4390,
2011.
MONTEIRO, C., BESSA, R., MIRANDA, V., BOTTERUD, A., WANG, J.,
CONZELMANN, G. Wind power forecasting: state-of-the-art 2009, Technical
Report, Argonne National Laboratory - U.S. Department of Energy, Argonne,
EUA, 2009.
142
MORI, H. UMEZAWA, Y. Application of NBTree to Selection of Meteorological
Variables in Wind Speed Prediction, TRANSMISSION & DISTRIBUTION
CONFERENCE & EXPOSITION: ASIA AND PACIFIC, Proceedings… Seoul,
Korea, IEEE, 2009.
143
Campos, 2001. Disponível
em:<http://urlib.net/sid.inpe.br/jeferson/2004/11.23.15.00>. Acesso em: 22 dez.
2011.
SAILOR, D.J.; HU, T.; LI, X.; ROSEN J.N. A neural network approach to local
downscaling of GCM output for assessing wind power implications of climate
change. Renewable Energy, n.19, p. 359-378, 2000.
SANZ, S.S., BELLIDO, A. P., GARCIA, E. O., FIGUERAS, A.P., PRIETO, L.,
PAREDES, D., CORREOSO, F. Short-term wind speed prediction by
hybridizing global and mesoscale forecasting models with artificial neural
networks. In: INTERNATIONAL CONFERENCE ON HYBRID INTELLIGENT
SYSTEMS, 8., 2008, Barcelona. Proceedings... Barcelona: IEEE, 2008.
p.608-612.
SUN, J., MAHRT, L. Determination of surface fluxes from the surface radiative
temperature. Journal of the Atmospheric Sciences, v. 52, n. 8, p. 1096-1104,
1995.
144
Economic Operation of Autonomous Power Systems, Wind Energy, n.12,
p.315–331, 2009.
VAN DER HOVEN, I. Power spectrum of horizontal wind speed in the frequency
range from 0.0007 to 900 cycles per hour. Journal of Meteorology, v.14,
p.160-164 1957.
145
146
APÊNDICE A
147
39 tmpprs850 temperatura em 850 hPa
40 tmpprs500 temperatura em 500 hPa
41 tmpprs200 temperatura em 200 hPa
42 ugrdprs1000 vento zonal em 1000 hPa
43 ugrdprs950 vento zonal em 950 hPa
44 ugrdprs925 vento zonal em 925 hPa
45 ugrdprs900 vento zonal em 900 hPa
46 ugrdprs850 vento zonal em 850 hPa
47 ugrdprs500 vento zonal em 500 hPa
48 ugrdprs200 vento zonal em 200 hPa
49 vgrdprs1000 vento meridional em 1000 hPa
50 vgrdprs950 vento meridional em 950 hPa
51 vgrdprs925 vento meridional em 925 hPa
52 vgrdprs900 vento meridional em 900 hPa
53 vgrdprs850 vento meridional em 850 hPa
54 vgrdprs500 vento meridional em 500 hPa
55 vgrdprs200 vento meridional em 200 hPa
56 wndmag10 magnitude vento
57 wnddir10 direcao vento
58 ghapcpsfc tendência horária de precipitação total superficie
59 ghcdsfc tendência horária de coeficiente de arrasto superficial
60 ghdlwrfsfc tendência horária de onda longa descendente
61 ghdpt2m tendência horária de ponto de orvalho 2m
62 ghdswrfsfc tendência horária de onda curta descendente
63 ghlcdclcl tendência horária de cobertura de nuvens baixas
64 ghlhtflsfc tendência horária de fluxo calor latente
65 ghmsletmsl tendência horária de pressao media nivel do mar (Eta)
66 ghmstavdlr tendência horária de disponibilidade de umidade
67 ghpressfc tendência horária de pressão em superfície
68 ghsfexcsfc tendência horária de coeficiente troca em superficie
69 ghshtflsfc tendência horária de fluxo de calor sensivel
70 ghspfh10m tendência horária de umidade especifica a 10m
71 ghtcdcclm tendência horária de cobertura total de nuvens
72 ghtmp2m tendência horária de temperatura a 2m
73 ghuflxsfc tendência horária de fluxo zonal de momento em superficie
74 ghugrd10m tendência horária de vento zonal a 10 m
75 ghvflxsfc tendência horária de fluxo meridional de momento em superf.
76 ghvgrd10m tendência horária de vento meridional a 10 m
77 ghhgtprs1000 tendência horária de altura geopotencial em 1000 hPa
78 ghhgtprs950 tendência horária de altura geopotencial em 950 hPa
79 ghhgtprs925 tendência horária de altura geopotencial em 925 hPa
80 ghhgtprs900 tendência horária de altura geopotencial em 900 hPa
81 ghhgtprs850 tendência horária de altura geopotencial em 850 hPa
148
82 ghhgtprs500 tendência horária de altura geopotencial em 500 hPa
83 ghhgtprs200 tendência horária de altura geopotencial em 200 hPa
84 ghspfhprs1000 tendência horária de umidade especifica em 1000 hPa
85 ghspfhprs950 tendência horária de umidade especifica em 950 hPa
86 ghspfhprs925 tendência horária de umidade especifica em 925 hPa
87 ghspfhprs900 tendência horária de umidade especifica em 900 hPa
88 ghspfhprs850 tendência horária de umidade especifica em 850 hPa
89 ghspfhprs500 tendência horária de umidade especifica em 500 hPa
90 ghspfhprs200 tendência horária de umidade especifica em 200 hPa
91 ghtmpprs1000 tendência horária de temperatura em 1000 hPa
92 ghtmpprs950 tendência horária de temperatura em 950 hPa
93 ghtmpprs925 tendência horária de temperatura em 925 hPa
94 ghtmpprs900 tendência horária de temperatura em 900 hPa
95 ghtmpprs850 tendência horária de temperatura em 850 hPa
96 ghtmpprs500 tendência horária de temperatura em 500 hPa
97 ghtmpprs200 tendência horária de temperatura em 200 hPa
98 ghugrdprs1000 tendência horária de vento zonal em 1000 hPa
99 ghugrdprs950 tendência horária de vento zonal em 950 hPa
100 ghugrdprs925 tendência horária de vento zonal em 925 hPa
101 ghugrdprs900 tendência horária de vento zonal em 900 hPa
102 ghugrdprs850 tendência horária de vento zonal em 850 hPa
103 ghugrdprs500 tendência horária de vento zonal em 500 hPa
104 ghugrdprs200 tendência horária de vento zonal em 200 hPa
105 ghvgrdprs1000 tendência horária de vento meridional em 1000 hPa
106 ghvgrdprs950 tendência horária de vento meridional em 950 hPa
107 ghvgrdprs925 tendência horária de vento meridional em 925 hPa
108 ghvgrdprs900 tendência horária de vento meridional em 900 hPa
109 ghvgrdprs850 tendência horária de vento meridional em 850 hPa
110 ghvgrdprs500 tendência horária de vento meridional em 500 hPa
111 ghvgrdprs200 tendência horária de vento meridional em 200 hPa
112 ghwndmag10 tendência horária de magnitude vento
113 uxturb advecção de momento médio pela componente turbulenta
114 uxmean adveccao média de momento
115 uwsdy1 fluxo vertical turbulento de momento médio - termo 1
116 uwsdy2 fluxo vertical turbulento de momento médio - termo 2
117 dprsdx gradiente horizontal de pressao
118 uxvisc perdas por efeitos viscosos
119 uwflux fluxo vertical turbulento médio de momento
120 gdapcpsfc tendência diária de precipitação total superficie
121 gdcdsfc tendência diária de coeficiente de arrasto superficial
122 gddlwrfsfc tendência diária de onda longa descendente
123 gddpt2m tendência diária de ponto de orvalho 2m
124 gddswrfsfc tendência diária de onda curta descendente
149
125 gdlcdclcl tendência diária de cobertura de nuvens baixas
126 gdlhtflsfc tendência diária de fluxo calor latente
127 gdmsletmsl tendência diária de pressao media nivel do mar (Eta)
128 gdmstavdlr tendência diária de disponibilidade de umidade
129 gdpressfc tendência diária de pressão em superfície
130 gdsfexcsfc tendência diária de coeficiente troca em superficie
131 gdshtflsfc tendência diária de fluxo de calor sensivel
132 gdspfh10m tendência diária de umidade especifica a 10m
133 gdtcdcclm tendência diária de cobertura total de nuvens
134 gdtmp2m tendência diária de temperatura a 2m
135 gduflxsfc tendência diária de fluxo zonal de momento em superficie
136 gdugrd10m tendência diária de vento zonal a 10 m
137 gdvflxsfc tendência diária de fluxo meridional de momento em superficie
138 gdvgrd10m tendência diária de vento meridional a 10 m
139 gdhgtprs1000 tendência diária de altura geopotencial em 1000 hPa
140 gdhgtprs950 tendência diária de altura geopotencial em 950 hPa
141 gdhgtprs925 tendência diária de altura geopotencial em 925 hPa
142 gdhgtprs900 tendência diária de altura geopotencial em 900 hPa
143 gdhgtprs850 tendência diária de altura geopotencial em 850 hPa
144 gdhgtprs500 tendência diária de altura geopotencial em 500 hPa
145 gdhgtprs200 tendência diária de altura geopotencial em 200 hPa
146 gdspfhprs1000 tendência diária de umidade especifica em 1000 hPa
147 gdspfhprs950 tendência diária de umidade especifica em 950 hPa
148 gdspfhprs925 tendência diária de umidade especifica em 925 hPa
149 gdspfhprs900 tendência diária de umidade especifica em 900 hPa
150 gdspfhprs850 tendência diária de umidade especifica em 850 hPa
151 gdspfhprs500 tendência diária de umidade especifica em 500 hPa
152 gdspfhprs200 tendência diária de umidade especifica em 200 hPa
153 gdtmpprs1000 tendência diária de temperatura em 1000 hPa
154 gdtmpprs950 tendência diária de temperatura em 950 hPa
155 gdtmpprs925 tendência diária de temperatura em 925 hPa
156 gdtmpprs900 tendência diária de temperatura em 900 hPa
157 gdtmpprs850 tendência diária de temperatura em 850 hPa
158 gdtmpprs500 tendência diária de temperatura em 500 hPa
159 gdtmpprs200 tendência diária de temperatura em 200 hPa
160 gdugrdprs1000 tendência diária de vento zonal em 1000 hPa
161 gdugrdprs950 tendência diária de vento zonal em 950 hPa
162 gdugrdprs925 tendência diária de vento zonal em 925 hPa
163 gdugrdprs900 tendência diária de vento zonal em 900 hPa
164 gdugrdprs850 tendência diária de vento zonal em 850 hPa
165 gdugrdprs500 tendência diária de vento zonal em 500 hPa
166 gdugrdprs200 tendência diária de vento zonal em 200 hPa
167 gdvgrdprs1000 tendência diária de vento meridional em 1000 hPa
150
168 gdvgrdprs950 tendência diária de vento meridional em 950 hPa
169 gdvgrdprs925 tendência diária de vento meridional em 925 hPa
170 gdvgrdprs900 tendência diária de vento meridional em 900 hPa
171 gdvgrdprs850 tendência diária de vento meridional em 850 hPa
172 gdvgrdprs500 tendência diária de vento meridional em 500 hPa
173 gdvgrdprs200 tendência diária de vento meridional em 200 hPa
174 gdwndmag10 tendência diária de magnitude vento
175 u2dmgd tendência diária de adveccao media de momento
176 dprsgd tendência diária de gradiente horizontal de pressao
177 uxdvgd tendência diária de perdas por efeitos viscosos
178 wave0 variavel ciclo diario com max as 6h
179 wave1 variavel ciclo diario com max as 7h
180 wave2 variavel ciclo diario com max as 8h
181 wave3 variavel ciclo diario com max as 9h
182 wave4 variavel ciclo diario com max as 10h
183 wave5 variavel ciclo diario com max as 11h
184 wave6 variavel ciclo diario com max as 12h
185 wave7 variavel ciclo diario com max as 13h
186 wave8 variavel ciclo diario com max as 14h
187 wave9 variavel ciclo diario com max as 15h
188 wave10 variavel ciclo diario com max as 16h
189 wave11 variavel ciclo diario com max as 17h
151